Modellierung der Energienachfrage unter Berücksichtigung ...opus.bibliothek.uni-augsburg.de/opus4/files/2263/Braun...Modellierung der Energienachfrage unter Berücksichtigung urbaner

Modellierung der Energienachfrage unter Berücksichtigung

urbaner Formen und individueller Zeitverwendung

Der Fakultät für Angewandte Informatik

der Universität Augsburg

zur Erlangung des Doktorgrades

vorgelegte

D i s s e r t a t i o n

von

Stephan Braun

Juli 2012

Institut für Geographie

Lehrstuhl für Humangeographie und Geoinformatik, Universität Augsburg

Max-Planck-Institut für Plasmaphysik, Garching

Erster Gutachter : Prof. Dr. Gerd Peyke

Lehrstuhl für Humangeographie und Geoinformatik

Universität Augsburg

Zweiter Gutachter : Prof. Dr. Thomas Hamacher

Lehrstuhl für Energiewirtschaft und Anwendungstechnik

Technische Universität München

Tag der mündlichen Prüfung: 20.12.2012

Zusammenfassung

Die vorliegende Arbeit analysiert mit urbanen Formen sowie der Zeitverwendung von

Individuen zwei wesentliche Einflussfaktoren auf die Energienachfrage. Die Ergebnisse

dieser Untersuchung werden in ein Simulationswerkzeug integriert, das innerstädtische

Energieflüsse im Haushaltssektor abbildet (vgl. Abbildung 0.1).

Abbildung 0.1: Aufbau der Arbeit

Teil 1

Urbane Form und Energie

Analyse der Form europäischer

Siedlungen

Teil 2

Stadt und Zeit

Zeitbudgetstudien

Teil 3

Mikrosimulation

Tagesaktivitäten einer

Stadtbevölkerung mit Energiebezug

Der erste Teil dieser Arbeit betrachtet die urbane Form als Einflussgröße im Energiesys-

tem. In diesem Abschnitt werden die Ursachen von Formveränderungen von Siedlungen

beschrieben. Es wird herausgestellt, wie die Stadtstruktur auf die verschiedenen Formen

von nachgefragter Energie einwirkt. So wird auf den Wärmebedarf, die Elektrizitäts-

nachfrage als auch auf die Nachfrage nach Treibstoff im Verkehrssektor eingegangen.

Diese ganzheitliche Betrachtung ist bedeutsam, da die vorhandene Literatur zumeist

nur spezielle Aspekte oder Einzelfallstudien aus dem urbanen Wirkungsgeflecht heraus-

greift. Dieser eher theoretisch angelegte Abschnitt liefert grundlegende Informationen

für die Gestaltung des im letzten Teil dieser Arbeit erstellten Simulationsmodells und

legitimiert die in Kapitel 3 durchgeführte Analyse europäischer Siedlungen. Dafür wurde

in MATLAB ein Werkzeug entwickelt, das Siedlungsformen aus frei verfügbaren europa-

weiten Rasterdaten verarbeitet. Mit Hilfe des programmierten Werkzeugs wurden Daten

von mehr als 130000 europäischen Siedlungen erfasst und ausgewertet. Für über 30 eu-

ropäische Länder wurden die Siedlungsverteilung, die mittlere Siedlungsgröße sowie die

Zersiedlungen unter Verwendung verschiedener Indikatoren bestimmt. Durch statistische

Analysen konnte gezeigt werden, dass sich die Siedlungsstrukturen der betrachteten eu-

ropäischen Länder signifikant unterscheiden.

I

Der zweite Teil dieser Arbeit beschäftigt sich mit der Thematik Zeit. Hierbei wird auf

die Bedeutung von Zeit für die Stadt als auch auf die Nutzung von Zeit durch Indivi-

duen eingegangen. Die zeitliche Abhängigkeit von Energienachfrage und -angebot un-

terstreichen die Bedeutung dieser Thematik. Den Schwerpunkt dieses Abschnitts bilden

Zeitbudgetdaten, deren Nutzen für energierelevante Fragestellungen aufgezeigt wird. In

diesem Zusammenhang wird die nationale Zeitbudgeterhebung aus dem Jahr 2000/2001

im Hinblick auf die in dieser Arbeit erstellten Simulation beschrieben und ausgewertet.

Der letzte Teil dieser Arbeit greift die Themen der vorangegangenen Kapitel auf, um

Erkenntnisse dieser Analysen für eine Simulation im urbanen Kontext nutzbar zu ma-

chen. Mit Hilfe einer umgesetzten Mikrosimulation wurde ein Werkzeug geschaffen, das

es ermöglicht Energieflüsse im Haushaltssektor einer Stadt zu beschreiben1. Das Modell

basiert auf künstlich erzeugten Stadtstrukturen und generiert Tagesabläufe einer syn-

thetischen Stadtbevölkerung, die mit Energiebedarfen assoziiert werden. Das entwickelte

Modell soll nach zukünftigen Erweiterungen eine Planungsunterstützung für städtische

Entscheidungsträger ermöglichen. Für dieses langfristige Ziel wurde mit dem in dieser

Arbeit konzipierten Simulationsmodell ein erster grundlegender Entwurf vorgelegt.

1Für diese Arbeit wurde vor allem die Nachfrage nach Elektrizität betrachtet. Das Modell ist jedochso konzipiert das eine Energienachfrage nach Wärme bzw. Kälte schnell integriert werden kann.

II

Abstract

The present work focuses on urban forms and the time budgets of individuals, which are

two key factors influencing energy demand. The results of these analyses are integrated

into a microsimulation tool that simulates energy fluxes within the urban household

sector.

The thesis is divided into three major parts. The first part deals with urban form as

a main determinant within the urban energy system. In this part, the causes of urban

form changes as well as the influence of city layout on the usage of different forms of

energy are described. This part includes a statistical analysis of about 130000 European

urban settlements. Therefore a Matlab tool is developed for evaluating urban forms using

Corine Land Cover raster data. The second part addresses the theme of time, describing

the relation between time and cities. The central focus is time budget data, whose

relevance for scientific questions related to energy usage is demonstrated. Implications

of the 2000/2001 German national Zeitbudgeterhebung (time budget survey) for the

simulations of the third part are evaluated. The third and last part integrates the former

results about urban forms and time budgets into an artificial city microsimulation. The

model simulates the activities of a synthetic population within a 24-hour time frame, then

estimates the resulting energy demands. The framework conditions of such modelling

approach as well as the methodology are described and first results are shown. Finally,

an outlook for advanced modelling in this context is given.

III

Inhaltsverzeichnis

Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I

Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III

Abbildungsverzeichnis VII

Tabellenverzeichnis X

Abkürzungsverzeichnis XI

1 Einführung 1

1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Ziel der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.3 Aufbau und Methodik der Arbeit . . . . . . . . . . . . . . . . . . . . . . 2

1.4 Nutzen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Urbane Form - Eine Einflussgröße im Energiesystem 6

2.1 Das Urbane System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2 Urbane Form - Wärme- und Kältesektor . . . . . . . . . . . . . . . . . . 12

2.3 Urbane Form - Elektrizitätssektor . . . . . . . . . . . . . . . . . . . . . . 14

2.4 Urbane Form - Verkehrssektor . . . . . . . . . . . . . . . . . . . . . . . . 15

3 Urbane Formenanalyse europäischer Siedlungen 20

3.1 Datengrundlage und Aufbereitung . . . . . . . . . . . . . . . . . . . . . . 21

3.2 Methodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.3 Binärbildanalyse (Formbestimmung mittels morphologischer Operatoren) 31

3.4 Siedlungsparameter für urbane Formen . . . . . . . . . . . . . . . . . . . 35

3.5 Werkzeug zur Erfassung der Siedlungsformen . . . . . . . . . . . . . . . . 44

IV

3.6 Auswertung der Formanalyse für Europa . . . . . . . . . . . . . . . . . . 50

3.6.1 Siedlungsgrößen im Überblick . . . . . . . . . . . . . . . . . . . . 50

3.6.2 Analyse der Siedlungsgrößenverteilung . . . . . . . . . . . . . . . 55

3.6.3 Gemeinsame Auswertung der Continous und Discontinous Klassi-

fikationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.6.4 Auswertung der Continous Urban Fabric . . . . . . . . . . . . . . 63

3.6.5 Ranggrößenregel . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4 Die Komponente Zeit für die Modellierung von Aktivitäten 70

4.1 Zeitgeographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

4.1.1 Raum-Zeit-Beschränkungen . . . . . . . . . . . . . . . . . . . . . 71

4.1.2 Konzept und Visualisierung . . . . . . . . . . . . . . . . . . . . . 72

4.2 Stadt und Zeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4.3 Zeitverwendung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.3.1 Zeitbudgetstudie 2001/2002 . . . . . . . . . . . . . . . . . . . . . 77

4.3.1.1 Tagesaktivitätenfragebogen . . . . . . . . . . . . . . . . 79

4.3.1.2 Personenfragebogen . . . . . . . . . . . . . . . . . . . . 80

4.3.1.3 Haushaltsfragebogen . . . . . . . . . . . . . . . . . . . . 80

4.3.2 Zeitverwendungsstudie - Datenauswertung . . . . . . . . . . . . . 81

4.3.2.1 Verteilung der Außer-Haus-Aktivitäten . . . . . . . . . . 81

4.3.2.2 Anzahl und Verteilung von Aktivitäten im Tagesverlauf 85

4.3.2.3 Variabilität von Tagesabläufen . . . . . . . . . . . . . . 89

5 Mikrosimulation - Tagessimulation(24h) - Aktivitäten mit Energiebezug 94

5.1 Individuenbasierte Modellierung . . . . . . . . . . . . . . . . . . . . . . . 95

5.2 Aktivitätenbasierte Modellierung . . . . . . . . . . . . . . . . . . . . . . 97

5.3 Ausgangspunkt urbaner Aktivitätensimulationen . . . . . . . . . . . . . . 102

5.3.1 Innere Rahmenbedingungen für urbane Modellierungen . . . . . . 103

5.3.2 Äußere Rahmenbedingungen für urbane Modellierungen . . . . . . 108

5.3.3 Klassifikation der Simulationssubjekte . . . . . . . . . . . . . . . 110

5.3.4 Entscheidungsträger (Individuen versus Haushalte) . . . . . . . . 113

5.4 Modell zur Abschätzung veränderter Energieverbräuche unter Berücksich-

tigung städtischer Formen und veränderter Zeitbudgets . . . . . . . . . . 116

5.4.1 Modellübersicht . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

5.4.2 Räumliche Auflösung des Modells . . . . . . . . . . . . . . . . . . 118

5.4.3 Zeitliche Auflösung des Modells . . . . . . . . . . . . . . . . . . . 118

V

5.4.4 Inhaltliche Abgrenzung . . . . . . . . . . . . . . . . . . . . . . . . 119

5.4.5 Modell-Eingabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

5.4.6 Modell-Vorverarbeitung . . . . . . . . . . . . . . . . . . . . . . . 124

5.4.7 Modellklassen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

5.4.7.1 Klasse Agent . . . . . . . . . . . . . . . . . . . . . . . . 128

5.4.7.2 Klasse Haushalt . . . . . . . . . . . . . . . . . . . . . . 130

5.4.7.3 Klasse Umwelt . . . . . . . . . . . . . . . . . . . . . . . 131

5.4.7.4 Weitere Hilfsklassen . . . . . . . . . . . . . . . . . . . . 133

5.4.8 Modell-Verarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . 133

5.4.8.1 Aktivitätenfestlegung . . . . . . . . . . . . . . . . . . . . 134

5.4.8.2 Ort der Aktivität . . . . . . . . . . . . . . . . . . . . . . 141

5.4.8.3 Verkehrsmittelwahl . . . . . . . . . . . . . . . . . . . . . 142

5.4.8.4 Dauer der Aktivität . . . . . . . . . . . . . . . . . . . . 143

5.4.9 Kopplung von Aktivitäten mit Energieverbräuchen . . . . . . . . 145

5.4.10 Modellausgabe - GIS-Schnittstelle . . . . . . . . . . . . . . . . . . 147

5.4.11 Modellergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

5.4.11.1 Szenario 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 150

5.4.11.2 Szenario 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 154

5.4.12 Modellbewertung . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

6 Ausblick 159

Anhang 161

Literaturverzeichnis 175

Danksagung 191

VI

Abbildungsverzeichnis

0.1 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I

2.1 Beispiele unterschiedlicher Siedlungsformen in Europa . . . . . . . . . . . 8

2.2 Wirkungsgeflecht im urbanen System . . . . . . . . . . . . . . . . . . . . 10

2.3 Beziehung zwischen urbaner Form und Energie . . . . . . . . . . . . . . . 11

2.4 Anteil des motorisierten Individualverkehrs für verschiedene Städte . . . 16

2.5 Urbane Dichte und Energieverbrauch im Verkehrssektor . . . . . . . . . . 18

3.1 CORINE-Landnutzungsdaten . . . . . . . . . . . . . . . . . . . . . . . . 21

3.2 Partitionierung der Landnutzungsflächen . . . . . . . . . . . . . . . . . . 24

3.3 CORINE-Siedlungsdaten am Beispiel von Berlin . . . . . . . . . . . . . . 25

3.4 Urban Atlas Landnutzungsdaten am Beispiel von Budapest . . . . . . . . 28

3.5 Von-Neumann und Moore-Nachbarschaften . . . . . . . . . . . . . . . . . 29

3.6 Datengewinnung durch Verschneidung . . . . . . . . . . . . . . . . . . . 30

3.7 Ellipse als Kompaktheitsindikator . . . . . . . . . . . . . . . . . . . . . . 37

3.8 Indikatorunzulänglichkeit anhand von Vergleichsobjekten . . . . . . . . . 37

3.9 Siedlungsgradienten am Beispiel von Stockholm . . . . . . . . . . . . . . 43

3.10 MATLAB Tool zur Erfassung von Siedlungsformen . . . . . . . . . . . . 44

3.11 Graphische Auswahl des Untersuchungsgebietes . . . . . . . . . . . . . . 46

3.12 Gesamtsicht über die Verteilung der Größe europäischer Siedlungsflächen 51

3.13 Boxplots der Siedlungsflächen europäischer Staaten . . . . . . . . . . . . 52

3.14 Histogramme der Siedlungsgrößenverteilung einzelner Länder . . . . . . . 54

3.15 Verhältnis von Umfang und Fläche europäischer Siedlungen . . . . . . . . 59

3.16 Entwicklungsprozess der Kochschen Schneeflocke . . . . . . . . . . . . . . 59

3.17 Entwicklungsprozess eines Teragons . . . . . . . . . . . . . . . . . . . . . 60

3.18 Durschschnittliche Flächengröße aller Siedlungen . . . . . . . . . . . . . . 61

3.19 Mittlere fraktale Dimension aller Siedlungsflächen . . . . . . . . . . . . . 61

3.20 Durchschnittliche Kompaktheit aller Siedlungsflächen . . . . . . . . . . . 62

3.21 Durschschnittliche Flächengröße dicht bebauter Siedlungen . . . . . . . . 63

VII

3.22 Mittlere fraktale Dimension dicht bebauter Siedlungsflächen . . . . . . . 64

3.23 Kompaktheit dicht bebauter Siedlungsflächen . . . . . . . . . . . . . . . 65

3.24 Zusammenhang zwischen Ranggrößen und logarithmischen Spiralen . . . 67

4.1 Visualisierung von Zeitpfaden . . . . . . . . . . . . . . . . . . . . . . . . 73

4.2 Anteil der Außer-Haus-Tätigkeiten im Tagesverlauf (personenbezogen) . . 83

4.3 Anteil der Außer-Haus-Tätigkeiten im Tagesverlauf (zeitbezogen) . . . . 84

4.4 Tätigkeitsanzahl nach Geschlecht und Wochentag . . . . . . . . . . . . . 86

4.5 Tätigkeitsanzahl nach Altersklassen . . . . . . . . . . . . . . . . . . . . . 87

4.6 Aktivitätsdauern im Tagesverlauf (männliche Personen) . . . . . . . . . . 88

4.7 Aktivitätsdauern im Tagesverlauf (weibliche Personen) . . . . . . . . . . 89

4.8 Aufsteigend sortierte Hamming-Ähnlichkeiten (Wochentage) . . . . . . . 90

4.9 Aufsteigend sortierte Dice-Koeffizienten (Wochentage) . . . . . . . . . . . 92

5.1 Mikrosimulation - Modellüberblick . . . . . . . . . . . . . . . . . . . . . 95

5.2 Säulen der individuenbasierten Modellierung . . . . . . . . . . . . . . . . 96

5.3 Modell einer energetisch betrachteten Stadt . . . . . . . . . . . . . . . . 105

5.4 Ablauf der Modellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

5.5 Energieverbrauch von Konsumenten in den USA . . . . . . . . . . . . . . 120

5.6 Erzeugung urbaner Formen für die Mikrosimulation . . . . . . . . . . . . 121

5.7 Ablauf der Modellverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . 133

5.8 Generierung der Tagestätigkeiten . . . . . . . . . . . . . . . . . . . . . . 135

5.9 Standardlastprofile - Haushalt . . . . . . . . . . . . . . . . . . . . . . . . 146

5.10 Urbane Form in Szenario 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 151

5.11 Tagestätigkeiten simulierter Agenten . . . . . . . . . . . . . . . . . . . . 152

5.12 Tageslast eines Vier-Personenhaushaltes . . . . . . . . . . . . . . . . . . 153

5.13 Elektrizitätsbedarf aller Haushalte im Tagesverlauf - Szenario 1 . . . . . 154

5.14 Urbane Form in Szenario 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 155

5.15 Elektrizitätsbedarf aller Haushalte im Tagesverlauf - Szenario 2 . . . . . 156

A1 Histogramme Siedlungsverteilung (BG,HR,CY,CZ) . . . . . . . . . . . . 163

A2 Histogramme Siedlungsverteilung (DK,EST,FIN,F) . . . . . . . . . . . . 164

A3 Histogramme Siedlungsverteilung (D,H,IS,IRL) . . . . . . . . . . . . . . 165

A4 Histogramme Siedlungsverteilung (I,LV,LT,L) . . . . . . . . . . . . . . . 166

A5 Histogramme Siedlungsverteilung (MK,NL,N,PL) . . . . . . . . . . . . . 167

A6 Histogramme Siedlungsverteilung (P,RO,SRB,SK) . . . . . . . . . . . . . 168

VIII

A7 Histogramme Siedlungsverteilung (SLO,E,S,TR) . . . . . . . . . . . . . . 169

A8 Ranggrößen (Deutschland,Polen) . . . . . . . . . . . . . . . . . . . . . . 170

A9 Ranggrößen (Frankreich,Rumänien) . . . . . . . . . . . . . . . . . . . . . 170

A10 Ranggrößen (Schweden,Spanien) . . . . . . . . . . . . . . . . . . . . . . . 170

A11 Irland - Fraktale Dimension der Siedlungen . . . . . . . . . . . . . . . . . 171

A12 Sizilien - Fraktale Dimension der Siedlungen . . . . . . . . . . . . . . . . 172

A13 Finnland - Fraktale Dimension der Siedlungen . . . . . . . . . . . . . . . 173

A14 Türkei - Fraktale Dimension der Siedlungen . . . . . . . . . . . . . . . . 174

IX

Tabellenverzeichnis

3.1 CORINE2006 - erfasste Staaten . . . . . . . . . . . . . . . . . . . . . . . 22

3.2 CLC2000-Landnutzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3.3 Empirische χ2 Werte für Ländervergleiche . . . . . . . . . . . . . . . . . 56

3.4 Test auf Gleichheit der Mittelwerte (Wilcoxon-Test) . . . . . . . . . . . . 56

3.5 Test auf Gleichheit der Mittelwerte (Median-Test) . . . . . . . . . . . . . 57

3.6 Test auf Gleichheit der Varianzen (Levene-Test) . . . . . . . . . . . . . . 58

3.7 Schätzwerte für Trendfunktion (Ranggrößen) . . . . . . . . . . . . . . . . 66

3.8 Flächenschätzwerte durch logarithmische Spirale . . . . . . . . . . . . . . 67

4.1 Klassifikation der Aktivitäten in der Zeitbudgetstudie 2001/2002 . . . . . 78

5.1 Rahmenbedingungen einer Stadt . . . . . . . . . . . . . . . . . . . . . . . 109

5.2 Zustandsbeschreibung - Tagestätigkeiten . . . . . . . . . . . . . . . . . . 136

5.3 Szenarienbeschreibung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

A1 CLC2000-Landnutzungsklassifikation(komplett) . . . . . . . . . . . . . . 161

X

Abkürzungsverzeichnis

API . . . . . . . . . . . . Application programming interface

AVI . . . . . . . . . . . . Audio Video Interleave

CLC . . . . . . . . . . . Corine Land Cover

CORINE . . . . . . . Coordination of Information on the environment

CRS . . . . . . . . . . . . Coordinate Reference System

df . . . . . . . . . . . . . . Degrees of freedom

DLR . . . . . . . . . . . Deutsches Zentrum für Luft- und Raumfahrt e.V.

DMA . . . . . . . . . . . Data Mining-Architektur

DSM . . . . . . . . . . . Demand Side Management

EEA . . . . . . . . . . . European Environmental Agency

EPSG . . . . . . . . . . European Petroleum Survey Group Geodesy

GAIA . . . . . . . . . . Geographical Aware Intelligent Agents

GHD . . . . . . . . . . . Gewerbe, Handel, Dienstleistungen

GIS . . . . . . . . . . . . Geographisches Informationssystem

GMES . . . . . . . . . Global Monitoring for Environmental Security

GPS . . . . . . . . . . . Global Positioning System

GUI . . . . . . . . . . . . Graphical User Interface

HTTP . . . . . . . . . . Hypertext Transfer Protocol

IES . . . . . . . . . . . . Institute for Environment and Sustainability

IKT . . . . . . . . . . . . Informations- und Kommunikationstechnologie

INSPIRE . . . . . . . Infrastructure for Spatial Information in the European Community

IPF . . . . . . . . . . . . Iterative proportional fitting

IPP . . . . . . . . . . . . Max-Planck-Institut für Plasmaphysik

IPU . . . . . . . . . . . . Iterative proportional updating

XI

LGPL . . . . . . . . . . GNU Lesser General Public Licence

MATLAB . . . . . . MATrix LABoratory

MiD . . . . . . . . . . . . Mobilität in Deutschland

MOLAND . . . . . . Monitoring Land Use/Cover Dynamics

MORO . . . . . . . . . Modellvorhaben der Raumordnung

OBEUS . . . . . . . . Object-Based Environment for Urban Simulation

OECD . . . . . . . . . Organisation für wirtschaftliche Zusammenarbeit und Entwicklung

OSM . . . . . . . . . . . Open Street Map

PACT . . . . . . . . . . Pathways for Carbon Transition

POI . . . . . . . . . . . . Point of Interest

SDSS . . . . . . . . . . . Spatial Decision Support System

SEIS . . . . . . . . . . . Shared Environmental Information System

UBA . . . . . . . . . . . Umweltbundesamt

UTC . . . . . . . . . . . Coordinated Universal Time

V2G . . . . . . . . . . . Vehicle-to-Grid

VBA . . . . . . . . . . . Visual Basic for Application

VPP . . . . . . . . . . . Virtual Power Plant

XII

1 Einführung

1.1 Motivation

In der Vergangenheit wurde Energie in der Geographie vor allem als Produktionsfak-

tor betrachtet und im Rahmen der Industriegeographie behandelt (vgl. [145], Schüss-

ler). In den letzten Jahren beschäftigten sich geographische Forschungsarbeiten aber

zunehmend umfassender mit dem Themenkomplex Energie, so dass sich derzeit die ei-

genständige Forschungsrichtung der Energiegeographie etabliert. Die wissenschaftliche

Auseinandersetzung ist hier sehr weit gefasst. Sie reicht von der Analyse verfügbarer

Ressourcen, über die Betrachtung von Energieerzeugungstechnologien bis hin zu Un-

tersuchungen über Flächennutzung und Umweltbelastungen. Die aufkommende Bedeu-

tung der Energiegeographie ist durch die großen Herausforderungen wie Klimawandel,

schwindende fossile Energieträger oder auch durch die Fragen der zukünftigen Versor-

gungssicherheit begründet. Die Konzeption einer Energiegeographie mit dem Fokus der

Betrachtung von Prozessketten wird dabei ausführlich durch Brücher beschrieben (vgl.

[29], Brücher). Durch die vorliegende Arbeit soll ein weiterer Beitrag zu dieser noch

„ jungen“ Forschungsdisziplin geleistet werden.

Im Gegensatz zu den meisten Untersuchungen innerhalb der geographischen Energiefor-

schung wird in der vorliegenden Arbeit die Nachfrageseite näher beleuchtet. Obwohl es

auch auf der technologischen Seite vielfältigste Unsicherheiten, wie z.B. im Bereich der

Ressourcenverfügbarkeit oder der Brennstoffkostenentwicklung gibt, kann die Verteilung

und Erzeugung von Energie in derzeitigen Energiesystemmodellen relativ gut implemen-

tiert werden. Dagegen wird die Energienachfrage zumeist nur minimalistisch abgebildet,

einfach in die Zukunft extrapoliert, konstant gelassen oder anderweitig festgelegt. Die

eigentlichen verschiedenartigen Treiber der Energienachfrage wurden bislang nur unzu-

reichend analysiert, so dass sie bisher weniger Eingang in Simulationsmodelle fanden.

Um die bereits existierenden Simulationsmodelle zu verbessern, muss das Verständnis

1

Ziel der Arbeit

für veränderte zukünftige Energiebedarfe im Zusammenhang mit auftretenden Unsicher-

heiten erweitert werden. Mit der Nachfrageseite im Energiesystem beschäftigte sich auch

das FP7 Projekt Pathways for Carbon Transition (PACT) der europäischen Kommissi-

on an dem der Autor dieser Arbeit als Mitglied der Energie- und Systemstudiengruppe

des Max-Planck-Institutes für Plasmaphysik beteiligt war. Ziel des PACT-Projektes ist

es, Wege aufzuzeigen, wie eine CO2-freie Energieversorgung in der Langfristperspektive

(2050-2060) erreicht werden kann. Die Ausrichtung des Projektes basierte dabei auf der

Erkenntnis, dass ein Verständnis der Energieerzeugung und der dafür verwendeten Tech-

nologien nicht ausreicht, um eine Energiewende hin zu einer nachhaltigen, CO2-freien

Gesellschaft zu ermöglichen.

1.2 Ziel der Arbeit

Ziel dieser Arbeit ist es, einen Beitrag zu einem besseren Verständnis der Energienach-

frage zu leisten. Basierend auf bisherigen Forschungsarbeiten sollen die vielfältigen Zu-

sammenhänge von Siedlungsform und Energiestruktur aufgezeigt werden. Weiterhin soll

geklärt werden, wie Individuen ihre Zeit verbringen. In diesem Zusammenhang soll ins-

besondere geprüft werden, inwieweit Zeitbudgetdaten für energetische Betrachtungen

nutzbar gemacht werden können. Da wie bereits beschrieben, die Nachfrageseite in der-

zeitigen Modellen zumeist nur unzureichend implementiert ist, sollen die Einflussfakto-

ren urbane Form und Zeitverwendung in eine Mikrosimulation integriert werden. Ziel

des in dieser Arbeit erstellten Simulationsmodells ist es, bisherige Modellierungsansätze

durch eine detaillierte Abbildung der Energienachfrageseite zu erweitern. Dabei soll der

Einfluss der urbanen Form durch die Einbeziehung eines Geographischen Informations-

systems (GIS) in das Simulationsmodell berücksichtigt werden. Die Zeitverwendung in

Form von Tagesabläufen einer synthetisch generierten Stadtbevölkerung soll mit Ener-

giebedarfen gekoppelt werden, um eine umfassendere Betrachtung zu ermöglichen.

1.3 Aufbau und Methodik der Arbeit

Die Arbeit gliedert sich in fünf Kapitel. In den ersten beiden Kapiteln wird die urbane

Form und deren Bezug zum Energiesystem betrachtet. Dabei liefert Kapitel 2 eine theo-

retische Übersicht über das Beziehungsgeflecht im urbanen System und dessen Einfluss

2

Nutzen

auf die Energienachfrage im Elektrizitäts-, Wärme- und Verkehrssektor. Darauf aufbau-

end werden in Kapitel 3 die urbanen Formen europäischer Siedlungen auf Basis von

CORINE (Coordination of Information on the Environment) Landcover Daten analy-

siert. Dafür wird ein in MATLAB (MATrix LABoratory) eigens für die Datenerfassung

entwickeltes Werkzeug vorgestellt. Anschließend erfolgt eine statistische Auswertung der

erfassten Daten. Kapitel 4 behandelt die Themen Zeitgeographie und Zeitverwendung.

In diesem für die spätere Simulation grundlegenden Kapitel wird der Faktor Zeit im

städtischen Kontext beleuchtet. Der Schwerpunkt dieses Kapitels liegt jedoch in der Be-

trachtung von Zeitbudgets. Dabei werden Daten der Zeitbudgeterhebung von 2000/2001

im Hinblick auf die in Kapitel 5 beschriebene Mikrosimulation ausgewertet. Das letz-

te Kapitel fasst die untersuchten Einflussfaktoren, urbane Form und Zeitverwendung,

in einem Simulationsmodell zusammen. Dieses Simulationsmodell ermöglicht die Abbil-

dung von Energieflüssen im Haushaltssektor, in dem die Tagesaktivitäten der im Modell

abgebildeten Agenten mit Energiebedarfen gekoppelt werden. Hierzu wurde eine objek-

torientierte Programmierung in C# umgesetzt, in der methodisch Markovketten und

computational process modelling zum Einsatz kommen2. Die Arbeit schließt mit der

Bewertung des erstellten Modells und einem Ausblick, der weiteren Forschungsbedarf

aufzeigt.

1.4 Nutzen

Da bisherige Forschungsansätze im Bezug auf urbane Formen hauptsächlich einzelne

Aspekte betrachten beziehungsweise Einzelfallstudien beschreiben, liegt ein Wert die-

ser Arbeit in der umfassenden Darstellung von urbaner Form und ihrem Einfluss auf

die Energienachfrage. In diesem Zusammenhang wird die urbane Formenvielfalt durch

die Auswertung europäischer CORINE-Daten analysiert. Dabei werden mehr als 130000

Siedlungen aller bei CORINE partizipierenden Länder erfasst und mit Hilfe verschiedener

Kennzahlen charakterisiert. Der Nutzen dieser Untersuchung liegt in der Schaffung einer

breiten Datenbasis, die für weiterführende Untersuchungen hinsichtlich des Einflusses

der Siedlungsstruktur auf die Energieversorgung verwendet werden kann. Damit bleibt

die Kopplung von konkreten urbanen Formen mit realen energetisch relevanten Kenngrö-

ßen, wie z.B. der Elektrizitätsnachfrage, nachfolgenden Forschungsarbeiten überlassen.

2Im Rahmen des Gesamtprozesses der Erzeugung künstlich generierter Tagesaktivitäten handelt essich ganz allgemein um einen stochastischen Prozess und nicht mehr speziell um Markovketten.

3

Nutzen

Ein weiterer Wert von Formanalysen liegt darin, ähnliche Siedlungsstrukturen hinsicht-

lich festzulegender Kriterien bestimmen zu können. Dafür wurde ein entsprechendes

Werkzeug entwickelt und eine fundierte Basis für weitere Forschung in diesem Bereich

geschaffen.

Da sowohl die Energienachfrage als auch die Energiebereitstellung im zeitlichen Kontext

betrachtet werden müssen, liefert die Analyse von Zeitstrukturen und Zeitbudgetdaten

eine inhaltliche Grundlage für die im letzten Teil der Arbeit beschriebene Mikrosimu-

lation. Zeitbudgetdaten im Zusammenhang mit energetisch relevanten Fragestellungen

wurden in bisherigen Forschungsarbeiten nur sehr eingeschränkt oder nur statisch ver-

wendet. Der Nutzen der Zeitbetrachtung besteht demnach darin, aufzuzeigen wie Zeit-

budgetdaten für die Energieforschung nutzbar gemacht werden können. Die Analyse der

Zeitbudgetdaten gibt darüber Aufschluss, wie Menschen ihre Zeit verbringen und wie

variabel Tagesabläufe sind. Diese Informationen können für Plausiblitätsbetrachtungen

und die Validierung von Aktivitätensimulationen herangezogen werden.

Der wissenschaftliche Nutzen der Tagesaktivitätensimulation ist im Modell selbst be-

gründet, da derzeit ein Mangel an adäquaten Werkzeugen im Bereich der urbanen Mi-

krosimulation mit Energiebezug besteht. Da der Mikrosimulation kein realer Raum mit

entsprechenden Daten zugrunde liegt, ist sie für konkrete planerische Maßnahmen bis-

her nicht geeignet. Jedoch wird ein langfristiger praktischer Nutzen darin gesehen, mit

diesem Modellierungsansatz unter Einbeziehung realer Datengrundlagen eine Planungs-

unterstützung zu ermöglichen. Für dieses Ziel wurden in der vorliegenden Arbeit erste

Schritte getätigt, in dem ein Modellierungsansatz entwickelt wurde, der vielfältige Pa-

rameter berücksichtigt und Schnittstellen beispielsweise zur Einbindung geographischer

Informationssysteme in der programmiertechnischen Umsetzung beschreibt.

Viele der aktuellen energierelevanten Fragestellungen können ohne räumliche und zeitli-

che Betrachtung nicht beantwortet werden. Netzausbau, Smart Metering und die Mög-

lichkeiten von Lastverschiebungen sind in diesem Zusammenhang aktuelle Themenge-

biete. Aber auch im Verkehrssektor stellt sich zum Beispiel im Bereich der Elektromo-

bilität unter dem Stichwort Vehicle to Grid die Frage, wann und wo Fahrzeuge geladen

werden können. Die Analyse von Tagesaktivitäten ist demnach essentiell. Durch Simu-

lationen können die Auswirkungen möglicher Veränderungen der Tagesaktivitäten abge-

bildet werden. Diese Veränderungen beeinflussen die Energienachfrage und somit auch

die Möglichkeiten der Lastverschiebung.

4

Nutzen

Die Prognose von Lastflüssen und deren Verteilung ist hierbei ein gutes Beispiel für die

Einbettung in eine Data Mining-Architektur (DMA) (vgl. [125], Petersohn).

Mikrosimulationen, insbesondere unter Einbeziehung von Siedlungsformen und unter

Berücksichtung von Tagesaktivitäten, stellen demnach eine Möglichkeit dar, zukünftige

Entwicklungen für den Energiesektor abzuschätzen.

5

2 Urbane Form - Eine Einflussgröße

im Energiesystem

In diesem Kapitel wird der Begriff der urbanen Form erläutert und ihre Bedeutung für

Energiesysteme3 dargelegt. Dabei wird einerseits auf die Treiber, die Formveränderun-

gen auslösen und andererseits auf die Zusammenhänge hinsichtlich der Energieformen

Wärme und Elektriziät eingegangen. Der Verkehrssektor mit zugrundeliegender Ener-

gienachfrage wird ebenfalls behandelt. Nach Raith beschreibt der Begriff Form nicht

nur die Stadtstruktur sondern auch inwieweit etwas in Form ist (vgl. [130], Raith).

Demnach beinhaltet Form auch die Leistungsfähigkeit von Strukturen. Für Raith sind

Reichhaltigkeit, Zeithaltigkeit, Nachhaltigkeit, Sinnhaltigkeit und Bauen Formprobleme

der Stadt. Nachfolgend wird von der umfassenden Auffassung von Form abgesehen und

Form lediglich im einfachen Sinne gebraucht. Form beschreibt demnach Dichte (z.B.

Bevölkerungsdichte, Gebäudedichte), Verteilung (z.B. Verteilung von Wohnraum) sowie

ganz allgemein Ausdehnung und eigentliche Form einer Siedlung (Geometrie). Zur Form

zählen aber auch Gebäudetypen, Transportinfrastruktur oder Landnutzungsverteilung

innerhalb einer Siedlung. Diese vielfältigen Aspekte können wiederum durch verschie-

denste Indikatoren näher bestimmt werden. Verschiedene Indikatoren sind in diesem Zu-

sammenhang z.B. bei Jenks und Jones zu finden (vgl. [84], Jenks u. Colin). Für Lynch

ist die Frage nach der Definition der urbanen Form zentral (vgl. [108], Lynch). Er sieht

deren Abgrenzung als schwierigen Schritt an, da auch Dinge wie z.B. lebende Organis-

men, Sozialstruktur, das ökologische System oder die Aktivitäten der Menschen in den

Begriff Form integriert werden könnten. Eine Übersicht über urbane Siedlungsmodelle

(lineare Stadt, fragmentierte Stadt,. . . ) und somit Formen, werden mit Eigenschaften,

Treibern und Kritikpunkten von Lahti beschrieben (vgl. [102], Lahti).

3Der Begriff Energiesystem wird in dieser Arbeit nicht streng wissenschaftlich definiert. Energiesystemsteht demnach allgemein für die Energieerzeugungsmöglichkeiten (Technologien) aber auch für dieEnergienachfrage (dabei hat die erwartete Nachfrageentwicklung natürlich wieder Auswirkungen aufdie Verwendung von Technologien).

6

2 Urbane Form - Eine Einflussgröße im Energiesystem

Urbane Formen4 im Zusammenhang mit Energiesystemen sind derzeit von aktuellem

Forschungsinteresse. So behandelt die Hauptforschungsfrage einer Zusammenarbeit bri-

tischer Forschungseinrichtungen (CityForm-The Sustainable Urban Form Consortium)

das Thema Nachhaltigkeit (To what extent and what ways does urban form contribute to

sustainability? )5. Die Frage nach dem Energieverbrauch ist Teil dieser Nachhaltigkeits-

analysen. Nachhaltigkeit in Zusammenhang mit urbaner Form wird unter anderem von

folgenden Autoren analysiert (vgl. z.B. [81] Jabareen, [83] Jenks u. a. oder [84] Jenks u.

Colin). Der Zusammenhang zwischen urbaner Form (Bebauungstypen) und Energienach-

frage wurde u.a. von Baker untersucht (vgl. [7], Baker u. a.). Das IPCC betont in seinem

Bericht aus dem Jahr 2007 die vielfältigen Zusammenhänge und Einflüsse zwischen Sied-

lungsform und Energie (z.B. Verschattung bei dichter Bebauung, Auswirkungen auf den

Modal Split,. . . ) (vgl. [104], Levine u. a.). Baker et al. betonen, dass urbane Formen

einen Einfluss auf den Lebensstil von Haushalten haben und somit die Energienachfrage

potentiell beeinflusst wird.

Die Betrachtung von urbanen Formen ist alt, da sie einhergeht mit dem Begriff der Stadt-

planung. Ein griechischer Stadtplaner aus dem 5. Jh. v. Chr. war Hippodamus von Milet.

Auf ihn geht das Hippodamische Schema zurück, in das Ideen der Gleichheit (Isonomia)

einflossen. In der nachfolgenden Abbildung 2.1 sind exemplarisch Siedlungsformen aus

verschiedenen europäischen Ländern und Epochen dargestellt. Diese Abbildung verdeut-

licht die existierende geometrische Formenvielfalt bei europäischen Siedlungen. Die Bil-

der sind OpenStreetMap als Screenshots entnommen. Die abgebildeten Siedlungen sind

bis auf Nördlingen Planstädte. Neuf-Brisach und Palmanova wurden als Festungststädte

errichtet. Ihre Gründungen fallen in die Epochen des Barock bzw. der Renaissance. Es

sind idealtypische Städte. Sie stellen mit dieser bis heute erhaltenen Form Ausnahmen

in Europa dar.

Zeitliche Überprägungen bewirken, dass Siedlungen - bis auf Ausnahmen - nicht so

prägnant geformt sind wie in Abbildung 2.1. Aufgrund seiner wechsel- und vielseiti-

gen Geschichte, sind heute in Europa unterschiedliche urbane Formen innerhalb einer

Siedlung erkennbar. Die urbanen Formen einer Stadt repräsentieren verschiedene Jahr-

hunderte und mit ihnen auch kulturelle, wirtschaftliche und politische Verhältnisse im

Zeitkontext. Nördlingen ist eine mittelalterlich geprägte Stadt. Der Stadtgrundriss ist

4Aktuelle Forschungsergebnisse sind z.B. der Zeitschrift Urban Morphology zu entnehmen(www.urbanform.org). Es sind dort auch Studien zu einzelnen Ländern zu finden. Daneben bietet dasInternational Seminar on urban Form (ISUF) aktuelle Studien (www.isuf2010.de).

5Informationen zur Forschungsthematik sind zu finden unter folgender Adresse: www.city-form.org/uk/index.html

7

2 Urbane Form - Eine Einflussgröße im Energiesystem

in etwa kreisförmig. Die typischen kreisförmigen Grundrisse des Mittelalters erklären

sich durch die Befestigungsanlagen (Stadtmauer, Türme, Bastionen,. . . ), die mit hohen

Kosten verbunden waren. Die aufzuwendenden finanziellen Mittel konnten bei Nutzung

der Kreisform minimiert werden. Milton Keynes ist dagegen eine sehr junge Planstadt.

Sie wurde in den 1960er Jahren gebaut. In dem Teilausschnitt der Stadt ist die geplante

Wohnbebauungsform als auch die Trennung hin zu einem Gewerbe-/Industriegebiet zu

erkennen6. Die historische Entwicklung urbaner Formen kann im Rahmen dieser Arbeit

nicht näher erläutert werden. Sie ist für viele Jahrhunderte sehr ausführlich und gut bei

Morris und auch Kostof beschrieben (vgl. [97] Kostof, [115] Morris).

Abbildung 2.1: Beispiele unterschiedlicher Siedlungsformen in Europa

Quelle: OpenStreetMap - links oben: Neuf-Brisach (Frankreich), rechts oben: Palmanova (Italien),links unten: Nördlingen (Deutschland), rechts unten: Milton Keynes (Großbritannien)

Seit dem 19. Jahrhundert gibt es einige geographische Stadtmodelle (Radialkonzentrische

Stadt Kohl 1841, Bandstadt Mata 1882, Ringmodell Burgess 1925, Sektorenmodell Hoyt

1939, Mehrkerne-Modell Hariss und Ullmann 1945). Auf die drei letztgenannten Modelle

wird im Rahmen der Simulation noch einmal hingewiesen. Die Modelle beschreiben

Landnutzungen und versuchen diese zu erklären. Die Bandstadt, als Ausnahme unter

6Noch besser sind die urbanen Formen bei google maps oder auch bei bing maps ersichtlich. Da dieseQuellen auf Grund der bestehenden rechtlichen Bedingungen nicht genutzt werden können, wurdefür die Abbildung OpenStreetmap als Quelle gewählt.

8

Das Urbane System

den genannten Modellen, versucht wie auch die Gartenstadt, Probleme existierender

Siedlungen zu lösen. Sie ist ein Modell einer anzustrebenden Stadtentwicklung.

Zusammenfassend lässt sich herausstellen, dass sehr verschiedene Wissenschaftsdiszipli-

nen an dem Thema Siedlungsformen forschen, so z.B. die Geographie, die Raumplanung

oder die Architektur. Nicht zuletzt werden urbane Formen im Städtebau betrachtet

(vgl. z.B. Charta des new urbanism von 1996). Es gibt jedoch auch wissenschaftliche

Abhandlungen aus weniger offensichtlichen Wissenschaftsdisziplinen wie z.B. der Ma-

thematik (fractal cities) oder der Physik (synergetic/sociodynamic). Aus dieser Vielfalt

kristallisierten sich jedoch Arbeiten heraus, die einen hohen Bekanntheitsgrad aufwei-

sen. Zu diesen Klassikern gehören nach Talen und Ellis (vgl. [157] Talen u. Ellis) die

Arbeiten von Jacobs, Lynch und Kostof (vgl. [82] Jacobs, [107] Lynch, [97] Kostof).

Im nächsten Kapitel folgt eine nähere Beschreibung der Zusammenhänge in urbanen

Systemen mit dem Schwerpunkt Energie.

2.1 Das Urbane System

Da die Form und die Struktur von Siedlungen sowie deren Dynamik Auswirkungen auf

das vorhandene Energiesystem haben, ist es notwendig die Auslöser von formverändern-

den Prozessen zu kennen. Daher werden in diesem Abschnitt die wichtigsten Faktoren im

urbanen System dargestellt, die einen Einfluss auf die urbane Form haben. Die folgende

Abbildung (2.2) zeigt hierzu die wesentlichen Wirkungszusammenhänge auf. Im Orginal

entstammt diese Abbildung dem Green Paper of urban environment der Europäischen

Kommission aus dem Jahr 1990.

Schraffiert hinterlegt sind die Treiber, die die Dynamik im System begründen. Dies

wären nach der Abbildung die Bevölkerungsänderung, der Wandel in Produktion und

Beschäftigung sowie der veränderte Lebensstandard. In Anlehnung an die Abbildung

müsste heute der Dienstleistungssektor stärker betont werden. Weiterhin beeinflusst die

Beschäftigungssituation den Lebensstandard. Die Grafik könnte daher beliebig ergänzt

und verfeinert werden und veranschaulicht die Komplexität und Vielfalt innerhalb urba-

ner Systeme. Die in Abbildung 2.2 dargestellten Zusammenhänge gelten jedoch oft nur

unter bestimmten Voraussetzungen und häufig ist auch die Richtung einzelner Zusam-

menhänge nicht geklärt. Über die Stärke von Zusammenhängen sagt die Grafik ebenfalls

nichts aus.

9

Das Urbane System

Abbildung 2.2: Wirkungsgeflecht im urbanen System

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

!��

��

" ��

��#

��

��

��

��

"��

��

��

��

��

��

��

Quelle: nach Abbildung der Europäischen Kommission (vgl. [40], Commission of the EuropeanCommunities)

Die vorliegende Abbildung suggeriert beispielsweise, dass ein steigender Lebensstandard

zu einem vermehrten Autobesitz führt. Ein kausaler Zusammenhang besteht in dieser

Beziehung jedoch nicht, so dass ein steigender Wohlstand nicht zwangsläufig mit einer

steigenden Nachfrage nach PKWs einhergeht. Durch einen Wertewandel hin zu mehr

Umweltbewusstsein, könnte die Bedeutung des eigenen Automobils sogar abnehmen.

Des Weiteren führt steigender Autobesitz laut der Abbildung zu mehr Lärm, Luftver-

schmutzung und Staus. Verbesserte Technologien können diese Auswirkungen aber stark

reduzieren. Intelligente Verkehrsleittechnologien haben das Potential, die Stauproblema-

tik zu vermindern. Zukünftige Elektroautos führen zu keiner Luftverschmutzung (bzw.

zu Luftverschmutzung an anderen Orten, falls die benötigte Elektrizität nicht regenerativ

bereitgestellt werden kann). Auch die Lärmbelastung ist bei Elektroautos vernachlässig-

bar. Diese beispielhafte Andeutung soll vergegenwärtigen, dass die Beziehungszusam-

menhänge kritisch zu hinterfragen sind und ihre Bedeutung über die Zeit nicht konstant

bleiben muss. Die mit den Städten verbundene Komplexität, sowie Herangehensweisen

10

Das Urbane System

zu deren Beherrschung sind z.B. bei Batty beschrieben (vgl. [10], Batty).

Die Beziehungen im urbanen System unter expliziter Berücksichtigung der urbanen Form

und der Energienachfrage stellte Rygole (vgl. [138], Rygole) bereits 1978 dar (vgl. Abb.

2.3). Nach Rygole gibt es eine direkte Rückkopplung der Energienachfrage und des Ener-

gieangbotes auf die Formausprägung einer Stadt.

Abbildung 2.3: Beziehung zwischen urbaner Form und Energie

��

��

��

��

��

��

��

� ��

�

��

��

��

��

� ��

��

� ��

��

��

��

��

Quelle: nach Abbildung von Rygole (vgl. [138], Rygole)

Der Einfluss der urbanen Form auf den Energiebedarf wurde von Ratti untersucht. Er

analysiert dazu den Energiebedarf von Gebäuden. Bei vergleichbaren Gebäuden kann der

Gebäudeenergiebedarf um den Faktor 20 variieren. Faktor 10 kann durch die Faktoren

Gebäudedesign (Faktor 2.5), Systemeffizienz (Faktor 2) und Bewohnerverhalten (Faktor

2) erklärt werden. Nach Ratti könnte die urbane Geometrie den fehlenden Faktor 2

erklären (vgl. [131], Ratti u. a.).

Es zeigt sich, dass die urbane Form Auswirkungen sowohl auf die Möglichkeiten der Ener-

giebereitstellung als auch auf die Energienachfrage hat. Alle Energiebereiche (Wärme,

11

Urbane Form - Wärme- und Kältesektor

Kälte, Elektrizität, Verkehr) sind hierbei betroffen. Ein Zitat von Raydan und Stee-

mers (vgl. [132], Raydan u. Steemers, S.2) fasst die Problemlage urbaner Entwicklung,

insbesondere im Hinblick auf das Thema Energie, sehr gut zusammen: “Cities of the in-

dustrial era have consciously excluded natural processes, substituting mechanical devices

made possible by intensive use of fossil fuels. Rather than using the solar energy falling

on theit streets and buildings, they dissipate it as excess heat. At the same time they

import immense quantities of concentrated energy in various forms, most of it derived

from the petroleum coaxed from the ground in distant landscapes. . .Thus, we might see

our overwhelming problems of depletion and pollution as largely outgrowths of our ways

of shaping the urban environment.“

In den nächsten Abschnitten werden daher die Zusammenhänge zwischen urbaner Form

und den erwähnten Energiebereichen genauer beschrieben.

2.2 Urbane Form - Wärme- und Kältesektor

In der Stadtplanung ist das Thema Energie in der näheren Vergangenheit stark vernach-

lässigt worden. So wird Energie in planungsrelevanten Fachbüchern nicht (vgl. [1] Albers,

[79] Humpert oder [128] Prinz) oder nur sehr eingeschränkt (vgl. z.B. [25], Braam) be-

handelt. Es sind jedoch auch frühere Forschungen über dieses Thema aus den 70er und

80er Jahren des vorherigen Jahrhunderts zu finden (vgl. z.B. [63], Gilbert u. Dajani bzw.

[122], Owens). Nach Raydan weist Owens (vgl. [123], Owens) jedoch darauf hin, dass

energiebewusste Planung keine exakte Wissenschaft ist, viele Unsicherheiten bestehen,

und daraus folgend keine Strukturen bekannt sind, welche unter allen denkbaren Um-

ständen zukünftig energieeffizient sind (vgl. [132], Raydan u. Steemers). Nach Owens

hängt der Erfolg von energieeffizienter Planung nicht nur von technischen Verbesserun-

gen sondern auch von Akzeptanz, kultureller Integration und wirtschaftlicher Machbar-

keit ab (vgl. [122], Owens). Im Zuge der Klimadiskussionen bekam und bekommt das

Thema Stadt und Energie wieder mehr Gewichtung. So verabschiedete z.B. der deutsche

Städtetag 2008 ein Positionspapier zum Thema Klimaschutz, in welchem die Rolle der

Städte in diesem Zusammenhang beleuchtet wird. Das Bundesministerium für Bildung

und Forschung (BMBF) initiierte den Wettbewerb Energieeffiziente Stadt, bei dem die

2. Phase 2010 abgeschlossen wurde. Wie angesprochen hat die Gebäudestruktur einen

großen Einfluss auf die Energienachfrage. Dies zeigt, dass der energetischen Stadtpla-

nung eine zentrale Rolle zukommt, insbesondere um energiearme Verbrauchsstrukturen

12

Urbane Form - Wärme- und Kältesektor

zu erzeugen. Hamacher7 spricht sogar davon, dass die energetischen Stadtplanung eine

Schlüsseltechnologie im 21. Jahrhundert sein wird. Tereci et al schätzen, dass 10% bis

20% des Wärme- und Kühlbedarfs einer Stadt durch eine geeignete Bebauungsstruktur

eingespart werden (vgl. [159], Tereci u. a.).

Wärme wird vor allem als Raumwärme und zur Erzeugung von Warmwasser benötigt.

Daneben wird im Niedertemperaturbereich auch Prozesswärme gebraucht. Höhere Tem-

peraturen, die von bestimmten Industrieprozessen verlangt werden, spielen auf Grund

des geringen Vorkommens von Industrieanlagen in städischer Umgebung zumeist eine

geringe Rolle. Im Gegensatz zur Wärmeversorgung8, die auf Grund verbesserter Wär-

medämmung9 langfristig an Bedeutung verlieren kann, wird die benötigte Energiemen-

ge zur Kühlung auf Grund steigender Komfortansprüche als auch erwarteter, durch

den Klimawandel hervorgerufener, erhöhter Außentemperaturen voraussichtlich steigen.

Der Primärenergiebedarf ist durch die Gebäudestruktur, die Gebäudenutzungsverhält-

nisse, das menschliche Verhalten, die Komfortansprüche als auch durch die verwendeten

Energieerzeugungs- und Verteilungssysteme determiniert. Als externer Faktor haben die

Außentemperaturen einen Einfluss auf die Energienachfrage (zum Vergleich von jährli-

chen Energienachfragen ist deshalb eine Temperaturbereinigung notwendig).

Das Verhältnis von Gebäudehüllfläche zu Gebäudevolumen (A/V) ist eine wichtige Kenn-

zahl für den Heizwärmebedarf von Gebäuden, da Transmissionsverluste über die Au-

ßenflächen auftreten. Energetisch günstiger sind bei gleichem Volumen, Gebäude mit

kleinerer Gebäudehüllfläche. Everding gibt typische A/V-Verhältnisse für verschiedene

Haustypen an (vgl. [54], Everding). Auch die Verschattung und die Gebäudeausrich-

tung (solare Gewinne) haben Einfluss auf den Heizwärmebedarf (vgl. z.B. [155], Öste-

reichische Raumordnungskonferenz). Eine erhöhte Bebauungsdichte/kompakte Bauweise

senkt zwar prinzipiell den Wärmebedarf, führt aber andererseits mitunter zu einem er-

höhten Kühlbedarf im Sommer. Dichte Bebauungen sind für leitungsgebundene Versor-

gungen (z.B. Fernwärme) notwendig, um wirtschaftlich operieren zu können, schließen

mitunter aber andere gewünschte Technologien (z.B. Photovoltaik-Fassaden) aus. Dies

ist ein Beispiel für ein sich widersprechendes Vorgehen hinsichtlich eines Planungsziels

im städtischen Energiemarkt (innere Verdichtung vs. solare Nutzung). Eine optimale Be-

bauungsdichte kann im Allgemeinen nicht angegeben werden. Darüber hinaus beeinflusst

7Vortag auf der viennergy 2008 in Wien - www.viennergy.com/Praesentationen/-Viennergy2008_hamacher.pdf

8Unter Wärme ist hier Niedertemperaturwärme zu verstehen. Prozesswärme wird nicht betrachtet.9In Deutschland ist in diesem Zusammenhang z.B. die Entwicklung der EnEV (Energieeinsparverord-

nung)als Teil des Baurechts zu beachten.

13

Urbane Form - Elektrizitätssektor

die Bebauungsstruktur die Herausbildung von Wärmeinseln. Diese bilden sich in urba-

ner Umgebung auf Grund der Wärmespeicherung der verwendeten Baumaterialien und

verminderter Verdunstung aus. Gemessene Temperaturunterschiede zwischen der Stadt

und ihrem Umland in Abhängigkeit von der Siedlungsgröße, hier angegeben als Bevöl-

kerungsanzahl, können beachtlich schwanken (vgl. [179], Wirtschaftsministerium Baden

Württemberg). In der Städtebaulichen Klimafibel des Wirtschaftsministeriums Baden-

Württemberg wird ein direkter Zusammenhang von Siedlungsgröße und Ausbildung von

Wärmeinseln (Temperaturdifferenz) beschrieben. Santamouris zeigt, dass sich Wärme-

inseln tageszeitlich als auch jahreszeitlich sehr unterschiedlich für verschiedene Städte in

Europa herausbilden (vgl. [141], Santamouris). Für verschiedene Hauptklimabedingun-

gen arbeitete Golany (vgl. [64], Golany) urbane Formen heraus, die diesen am besten

entgegenkommen (z.B. kompakte Bauweise bei heißen trockenen Klimabedingungen).

2.3 Urbane Form - Elektrizitätssektor

Die Elektrizität ist von der Ausgestaltung urbaner Formen weniger betroffen als die an-

deren Sektoren, zumindest im Bereich der Energienachfrage. Bei der Energieerzeugung

ist die Bebauungsdichte zu beachten. So ist für die innerstädtische Nutzung von Pho-

tovoltaikanlagen (Dach- und Fassadennutzung) Verschattung ein begrenzender Faktor.

Des Weiteren kann in Städten auch Energie durch Kleinwindkraftanlagen, die Nutzung

von Wasserkraft oder die Nutzung von Geothermie gewonnen werden. Inwieweit die

Nutzung dieser Möglichkeiten von Aspekten der Bebauungs- bzw. Bevölkerungsdichte

abhängt, kann derzeit nicht abschließend beantwortet werden, da dies stark von tech-

nologischen Auslegungen abhängen wird. Die Möglichkeiten erneuerbarer Energien im

Stadtraum mit besonderer Berücksichtigung der städtischen Freiflächen werden durch

das ExWoSt10 thematisiert (vgl. [35], Bundesministerium für Verkehr, Bau und Stadtent-

wicklung u. Bundesamt für Bauwesen und Raumordnung sowie [36], Bundesministerium

für Verkehr, Bau und Stadtentwicklung u. Bundesamt für Bauwesen und Raumord-

nung).

Ein Trend beim Elektrizitätsbedarf von Haushalten ist nicht so eindeutig ersichtlich,

wie im Bereich der Niedertemperaturwärme. Neue Haushaltstechnologien, Strompreise

aber auch steigende Energieeffizienz von Technolgien beeinflussen die Nachfrage. Die

10ExWoSt: Forschungsprogramm des Bundes - Experimenteller Wohnungs- und Städtebau

14

Urbane Form - Verkehrssektor

meisten EU-27 Länder verzeichneten in den letzten Jahren (2000-2009) im Haushalts-

bereich eine - mitunter stark - steigende Stromnachfrage (z.B. Frankreich und Spanien).

Es gibt aber auch Länder, in denen die Stromnachfrage in den letzten Jahren eher als

konstant betrachtet werden kann (z.B. Deutschland). In Schweden sank in vielen Jahren

die Stromnachfrage sogar. Im Vergleich zum Jahr 2000 verbrauchten im Jahr 2009 nur 3

von 31 Ländern (EU-27, Norwegen, Schweiz, Kroatien, Türkei) weniger Elektrizität im

Haushaltsbereich. Wählt man 2005 als Bezugsjahr sind es 9 Länder, die 2009 weniger

Elektrizität benötigten11. Ein Grund für steigende Strombedarfe kann zukünftig auch

in Veränderungen der Bereiche Verkehr und Wärme liegen. So würde der Wechsel von

Verbrennungsmotoren hin zu Elektromotoren zu einer deutlichen Stromnachfrageerhö-

hung führen. Auch im Wärmesektor wäre ein forcierter Ausbau der Nutzung von Wär-

mepumpen mit weiterem Strombedarf verbunden. Steemers führt an, dass eine extrem

kompakte Bauweise Wärmeverluste reduzieren kann, es aber zu einer starken Erhöhung

mechanischer Ventilation als auch künstlicher Beleuchtung kommt (vgl. [154], Steemers).

Demnach ist also in diesem Formszenario ein erhöhter Elektrizitätsbedarf zu erwarten.

Lariviere konnte in ihren Forschungen 85% der urbanen Elektrizitätsnachfrage mittels

eines linearen Modells erklären (vgl. [103],Lariviére u. Lafrance). Das Modell beinhaltet

6 Prädiktorvariablen12. Eine der Variablen ist die urbane Dichte (gemessen als Bevöl-

kerungsdichte). Als Ergebnis konstatiert Lariviere, dass die urbane Dichte nicht der

Haupteinflussfaktor für Energienachfragen ist. Sie hält Faktoren wie Lebensstandard,

Wertesystem, geographische und wirtschtschaftliche Situation für ebenso wichtig. In

diesem Zusammenhang wird durch die Autorin ganz explizit auf die Schwierigkeit der

Vergleichbarkeit urbaner Räume hingewiesen.

2.4 Urbane Form - Verkehrssektor

Der Verkehrssektor ist ein bedeutender sowie der offensichtlichste Bereich bei der Be-

trachtung des Zusammenhangs von Energie und urbaner Form. Die Bedeutung des Ver-

kehrssektors mitsamt den Herausforderungen, Problemen und Zielen für Europas urbane

Räume ist dabei mitunter im “Grünbuch-hin zu einer neuen Mobilität in der Stadt“ und

11Die Stromverbrauchsentwicklung im Haushaltssektor wurde auf Länderebene durch das StatistischeAmt der Europäischen Union veröffentlicht. Länderstatistik Stromverbrauch privater Haushalte inEuropa: http://epp.eurostat.ec.europa.eu/portal/page/portal/energy/data/main_tables

12Die Variablen betreffen das Durchschnittsalter der Bevölkerung, die jährliche Anzahl von Tagen unter18 Grad, die urbane Dichte, der Anteil der Wohnhäuser, die mit Strom heizen, den standardisiertenWohlstand des Landes pro Einwohner sowie die Freizeitausgaben pro Einwohner.

15


im “Aktionsplan urbane Mobilität“beschrieben (vgl. [95], Kommission der europäischen

Gemeinschaft bzw. [96], Kommission der europäischen Gemeinschaft). Der Energiebe-

darf im Mobilitätsbereich wird durch die Landnutzung wie auch durch das vorhandene

Verkehrssystem beeinflusst. Erreichbarkeit, Wegezeiten, Wegedistanzen oder auch Au-

toabhängigkeit sind hierbei wichtige Schlagworte.

Die nachfolgende Abbildung 2.4 zeigt den Zusammenhang zwischen der urbanen Form,

dargestellt durch die Bevölkerungsdichte, und deren Auswirkungen auf den Verkehrssek-

tor. Die Größe der Punkte verdeutlicht den Anteil des motorisierten Individualverkehrs

für die verschiedenen Städte. Die genauen Werte sind in Klammern aufgeführt.

Abbildung 2.4: Anteil des motorisierten Individualverkehrs für verschiedene Städte

Bevölkerungsdichte [Pers/ha]

Str

aßen

läng

e [m

/Per

s]

10 20 30 40 50 60 70

24

68

Atanta [0.95]

Berlin [0.44]

Chicago [0.85] Kopenhagen [0.54]

Denver [0.92]

Houston [0.96]

Madrid [0.3]

Melbourne [0.74]

Montreal [0.75]

Phoenix [0.94]

Stockholm [0.54]

Sydney [0.76]

Vancouver [0.79]

Wien [0.41]

Washington D.C. [0.84]

Quelle: nach Daten der Weltbank (vgl. [160], The World Bank)

Bei geringer Besiedlungsdichte müssen größere Distanzen überbrückt werden, um den

Bedürfnissen der Menschen gerecht zu werden. Im Gegensatz dazu können aber auch

kompakte Strukturen zu einem erhöhten Verkehrsaufkommen führen, wenn innerstäd-

tische Erholungsräume fehlen und somit das Umland aufgesucht wird oder auf Grund

von Zeitersparnissen und geringeren Transportkosten zusätzliche Fahrten durchgeführt

werden. Fulford beschreibt den Zusammenhang zwischen Siedlungsgröße, zurückgelegten

16


Kilometern und Transportmittel (vgl. [61],Fulford). Besonders kleine Siedlungen (klei-

ner 25000 EW) weisen eine deutlich größere Personenkilometerzahl auf, die dann auch

zu einem Großteil mit dem Auto zurückgelegt wird (vgl. [61],Fulford). Newman und

Kenworthy fanden in ihrer viel zitierten Arbeit (vgl. [119],Newman u. Kenworthy) einen

starken statistischen Zusammenhang zwischen der Siedlungsdichte (gemessen als Bevöl-

kerungsdichte) und der Pro-Kopf-Treibstoffnachfrage (vgl. Abb. 2.5). Der von Newman

und Kenworthy konstatierte Zusammenhang wird in der Literatur vielfach kritisiert.

Aus der Grafik ist ersichtlich, dass amerikanische und australische Städte eine ähnliche

Bevölkerungsdichte aufweisen, obwohl die Treibstoffnachfrage verschieden ist. Die un-

terschiedliche Treibstoffnachfrage lässt sich in diesem Zusammenhang vermutlich eher

durch zugrunde liegende Treibstoffpreise erklären (vgl. [140],Salomon u. a.). Minaldi kam

basierend auf Newman und Kenworthys Daten sogar zu dem Ergebnis, dass es keine Kor-

relation zwischen Energienachfrage und Siedlungdichte gibt (vgl. [113],Minaldi u. a.). Die

meisten Studien sehen jedoch eine Beziehung zwischen verminderter Autonutzung und

erhöhter Dichte (vgl. [87],Karathodorou u. a.). So folgern Muniz und Galindo aus ihren

Forschungen zu Pendlern in Barcelona, dass Dichte vor allem einen Einfluss auf den An-

teil der Wege hat, die mit dem Auto zurückgelegt werden (vgl. [117],Muniz u. Galindo).

Die Autoren verweisen darauf, dass die urbane Dichte eine größere Kapazität besitzt,

die Variabilität des ökologischen Fußabdruckes von Siedlungen zu erfassen als soziale

Faktoren.

17


Abbildung 2.5: Urbane Dichte und Energieverbrauch im Verkehrssektor

Quelle: [165],United Nations Environment Programme

Die Entwicklung der Personenkilometerzahl für die einzelnen Europäischen Länder, als

auch generell die Transportentwicklung wird jährlich von der Europäischen Kommission

veröffentlicht. In der aktuellen Veröffentlichung wird z.B. ein Zuwachs bei der Perso-

nenkilometerzahl für die EU-27 zwischen 1995 und 2005 von über 17% angegeben (vgl.

[51],European Commission). Andererseits betragen 50% der Autofahrten weniger als

5km und 30% sogar weniger als 3km. Der öffentliche Transport macht weniger als 10%

der Fahrten aus ([50],European Commission). Dies verdeutlicht die Potentiale urbaner

Verkehrsplanung. Die Entwicklungen zeigen hierbei deutlich, dass dieser Sektor im Fokus

von Nachhaltigkeitsanalysen stehen muss.

Neben verkehrsvermeidenden Strukturen durch intelligente Planung gibt es ein großes

Energieeinsparpotential durch Technologiewechsel. Poudenx und Merida untersuchten

für eine kanadische Region die Auswirkungen einer potentiellen totalen Umstellung des

privaten PKW Fahrzeugbestandes auf erneuerbare Energien (vgl. [127],Poudenx u. Me-

rida). Vierzig bis sechzig Prozent der erneuerbaren Ressourcen der Provinz British Co-

lumbia wären nötig, um in dieser Region die Fahrzeugflotte umzustellen. Die Autoren

erwähnen weiter, dass die Umstellung auf die effizientesten Verkehrsmittel (in diesem

18


Fall Trolleybus und Hängebahn) eine Umstellung auf erneuerbare Energien begünsti-

gen würde, auf Grund von verringertem Treibstoffbedarf. Hier schließt sich der Kreis

zur urbanen Form, da in dichteren Besiedlungen der öffentliche Personentransport wirt-

schaftlicher betrieben werden kann.

Energieplanung ist zumeist kein Teil der Verkehrsplanung. Die traditionelle 4-Stufen Me-

thodik zur Verkehrsplanung implementiert den Aspekt Energie nicht (vgl. [142],Saunders

u. a.). Aufgrund dieses Mangels entwickelte die Autorengruppe um Saunders ein Softwa-

retool um in diesem Bereich Verbesserungen in der Planung zu erreichen.

Nach Wegener gibt es eine wachsende Übereinstimmung, dass einfache Erklärungsmuster

über den Zusammenhang von Siedlungsstruktur und Verkehrsaufwand nicht ausreichen.

Optimale Strukturen sind nicht bekannt (vgl. [172],Wegener). Wegener zitiert Schmitz

(1991). “Aus der Tatsache, dass die Wirksamkeit von Einzelmaßnahmen im Bereich der

Steuerung der Siedlungs- und Raumentwicklung nur schwer quantifizierbar ist - wobei in

bestimmten Fällen nicht einmal die Wirkungsrichtung benannt werden kann - muß letzt-

endlich der Schluss gezogen werden, dass eine unter Verkehrsgesichtspunkten ’ideale’

Siedlungs und Raumstruktur nicht bekannt ist. Konzepte wie kleinräumige Nutzungs-

mischung, Stadtinnenentwicklung durch urbane Verdichtung, dezentrale Konzentration

und Bildung von Entwicklungsachsen in der Regionalentwicklung sowie die Schaffung

ausgeglichener Funktionsräume besitzen noch weitgehend den Charakter von Schlagwör-

tern. Sie bedürfen erstens einer stärkeren inhaltlichen Konzentrierung und zweitens eines

Wirksamkeitsnachweises“([172],Wegener, S.15).

In diesem Kapitel wurde der Zusammenhang von urbaner Form und Energienachfra-

ge in den verschiedenen Sektoren betrachtet. Die urbane Form beeinflusst dabei die

Möglichkeiten der Energieerzeugung als auch die Menge der nachgefragten Energie. In

den nächsten Abschnitten geht es um die Erfassung urbaner Formen, wobei Europa als

Untersuchungsgebiet dient.

19

3 Urbane Formenanalyse

europäischer Siedlungen

“It is the pervading law of all things organic and inorganic, of all things physical and

metaphysical, of all things human and all things super-human, of all true manifestations

of the head, of the heart, of the soul, that the life is recognizable in its expressions, that

form ever follows functions. This is the law.“(vgl. [156], Sullivan, S.408).

Wie im vorangegangen Kapitel aufgezeigt, hat die urbane Form einen Einfluss auf den

Energiesektor (Wärme, Kühlung, Elektrizität, Verkehr). In diesem Kapitel werden daher

urbane Formen als Grundlage für weitere Untersuchungen erfasst und ausgewertet. Von

den erfassten Siedlungen werden Koordinaten, Fläche, Umfang und abgeleitete Struk-

turmerkmale, wie die fraktale Dimension, bestimmt. Die Möglichkeiten der Erfassung

von Formen und Strukturen unterliegen schnelllebigen Veränderungen (so werden bei-

spielsweise durch das Unternehmen google immer mehr Städte in 3D erfasst und auch

Laserscanning Daten sind vermehrt verfügbar). Da im Rahmen dieser Arbeit die Sied-

lungen in Europa möglichst vollständig erfasst werden sollten, können 3D und Lasers-

canning Daten nicht genutzt werden. Sie bleiben derzeit Einzelfallanalysen überlassen.

Die Datengrundlage dieses Kapitels bilden daher frei verfügbare Landnutzungsdaten,

diese werden zunächst beschrieben. Da die Untersuchung der urbanen Formen anhand

von Binärbildern erfolgt, werden in einem theoretischen Abschnitt binäre Bildverarbei-

tung (morphologische Operatoren) und Maße zur Beschreibung von Formen erläutert.

Im Methodikteil wird das Vorgehen für die Formanalyse dargestellt, wobei ein eigenes,

für die Untersuchung herangezogenes, Analysewerkzeug beschrieben wird. Am Ende die-

ses Kapitels werden schließlich die Ergebnisse der europäischen Siedlungsformenanalyse

präsentiert.

20

Datengrundlage und Aufbereitung

3.1 Datengrundlage und Aufbereitung

Die praktische Untersuchung urbaner Formen kann auf unterschiedlichen Datenquel-

len beruhen. Es können Kartensammlungen, Katasterdaten aber auch Satelliten- und

Luftbildaufnahmen verwendet werden. Zusätzlich können abgeleitete Daten (z.B. inter-

pretierte Daten aus Luftbildaufnahmen) herangezogen werden.

Für die Untersuchung der europäischen Siedlungsformen in dieser Arbeit wird sich auf

den 2D Bereich beschränkt. Der Grund hierfür besteht darin, dass für den Untersu-

chungsraum Europa keine flächendeckenden 3D Siedlungsstrukturdaten verfügbar sind.

Die Erhebung von 3D-Daten ist in der Regel sehr zeitaufwendig und kostenintensiv. Bei

einer Beschränkung auf ausgewählte europäische Städte13 liefert Schwarz eine Klassen-

einteilung der Städte auf Grund urbaner Formparameter (vgl. [146],Schwarz). Die Daten-

grundlage der vorliegenden Arbeit bilden europäische Landnutzungsdaten des CORINE

Land Cover Projektes (Coordinated Information on the European Environment - CLC).

Urbane Form wird in diesem Zusammenhang nur durch Siedlungslandnutzungsklassen

beschrieben.

Abbildung 3.1: CORINE-Landnutzungsdaten

Quelle:European Environmental Agency(http://www.eea.europa.eu/themes/landuse/clc-download - Screenshot)

13Die in dieser Untersuchung analysierten Städte sind Teilnehmer des Urban Audit. Datengrundlageder Veröffentlichung sind administrative Grenzen und CORINE Daten.

21


Die Landnutzungsdaten können durch die European Environmental Agency (EEA) oder

auch durch das Deutsche Zentrum für Luft- und Raumfahrt e.V. (DLR) bezogen wer-

den. Die EEA stellt Raster- und Vektordaten für die Jahre 1990, 2000 und 2006 zum

kostenlosen Download bereit. Abbildung 3.1 zeigt einen Screenshot des CORINE Dow-

nloadbereiches der Internetseiten der EEA. Hierbei sind Quadrate (100km*100km) zu

erkennen, die als ESRI Shapedateien zur Verfügung stehen. Der CORINE Datensatz 2006

beinhaltet Landnutzungsinformationen für die in Tabelle 3.1 aufgeführten Länder14.

Tabelle 3.1: CORINE2006 - erfasste StaatenStaatenAlbanien Kroatien PortugalBelgien Lettland RumänienBosien und Herzegowina Lichtenstein SerbienBulgarien Litauen SlowakeiDänemark Luxemburg SlowenienDeutschland Malta SpanienEstland Montenegro SchwedenFinnland Mazedonien TschechienFrankreich Niederlande TürkeiIrland Norwegen UngarnIsland Österreich ZypernItalien Polen

Die CORINE Landnutzungsdaten (CLC2000) sind in 3 Ebenen Untergliedert. Insge-

samt werden bei der feinsten Aufgliederung der CLC Daten (Ebene 3) 44 Landnut-

zungskategorien unterschieden. In Tabelle 3.2 ist die hierarchische Struktur der Land-

nutzungsklassifikation angegben (in Abbildung A1 Anhang S. 162 ist die vollständige

Landnutzungsklassifikation aufgeführt). Für die folgenden Untersuchungen werden nur

die Klassen Continous15 und Discontinous16 urban fabric betrachtet. Die Landnutzungs-

kategorie Continous urban fabric ist dadurch gekennzeichnet, dass mehr als 80% der

Gesamtfläche von Straßen und Gebäuden (künstlich geschaffene Bodenbedeckung) ein-

genommen wird. Vegetation und freier Boden kommen nur in sehr geringem Umfang

vor. Im Gegensatz dazu ist die Landnutzungskategorie Discontinous urban fabric durch

einen höheren Vegetationsanteil gekenzeichnet (Straßen, Häuser und andere menschlich

14Es sind nur die Länder aufgeführt, für die derzeit (CLC2006V13) Daten verfügar sind. Die Land-nutzungsdaten von der Schweiz, Griechenland und Großbritannien sind derzeit noch nicht verfügbar(Stand Juni 2011). Darüber hinaus erstreckt sich das erfasste Gebiet auch über eingebettete Kleinst-staaten (San Marino, Vatikan).

15Continous Urban Fabric: Flächen mit durchgängig städtischer Prägung16Discontinous Urban Fabric: Flächen mit nicht durchgängig städtischer Prägung

22


geprägte Flächen nehmen einen Anteil von 30% bis 80% der Gesamtfläche ein). Diese

Kategorie entspricht demnach Einzelhaussiedlungen (Gartenflächen) als auch aufgelo-

ckerter Blockbebauung.

Tabelle 3.2: CLC2000-LandnutzungEbene 1 Ebene 2 Ebene 3 RGBArtificial surfaces Urban fabric Continous urban fabric 230-000-077Artificial surfaces Urban fabric Discontinous urban fabric 255-000-000Artificial surfaces Industry, commercial, transport . . .Artificial surfaces . . . . . .Agricultural areas . . . . . .. . . . . . . . .

Für die Anlayse wurden Geotiff LZW komprimierte Rasterdaten verwendet. Da für die

Formanalyse als Analysewerkzeug MATLAB (Matrix Laboratory) genutzt wurde, muss-

ten diese Daten aufbereitet werden, da die Art der Komprimierung durch MATLAB

nicht unterstützt wird. Des Weiteren wurde eine Datenaufbereitung aus Speicherplatz-

gründen nötig. Die Größe der zu speichernden Matrizen in MATLAB ist limitiert durch

die größten zusammenhängenden Speicherblöcke des Hauptspeichers (Contiguous Free

Blocks). Daher musste das Untersuchungsgebiet partitioniert17 werden. Des Weiteren

ist eine Begrenzung der Matrixgrößen nötig, da bereitgestellte Funktionen wie imread

nicht beliebig große Matrizen verarbeiten können. Abbildung 3.2 zeigt die Partitionie-

rung der Landnutzungsflächen dargestellt als Streifen (Streifenbreite 500km). In MAT-

LAB selbst mussten die Streifen auf Grund der Speicherlimitierung nochmals geteilt

werden. Eine weitere Notwendigkeit für die Partitionierung bestand in der Tatsache,

dass das dekomprimierte tif-Bild von ganz Europa mit 3 Bändern 10.86 GB (67000Pi-

xel*58000Pixel, Zellgröße:100, Pixeltiefe:8) Speicherplatz benötigen würde, was durch

die tif-Beschränkung auf 4GB nicht zu realisieren ist.

17Partition: Zerlegung einer Menge in nicht leere disjunkte Teilmengen.

23


Abbildung 3.2: Partitionierung der Landnutzungsflächen

Genauigkeit und Datengrundlage der CORINE Daten

Die Daten für CORINE wurden grundsätzlich nach einem abgestimmten Verfahren im

Maßstab 1:100000 erhoben, so dass eine Vergleichbarkeit gewährleistet ist. Allerdings

weichen z.B. der Aufnahmezeitraum als auch die geometrische Genauigkeit der Daten-

sätze von 1990 und 2000 voneinander ab (vgl. [110], Meinel u. a.). Weiterhin basiert die

Interpretation der aufgenommenen Satellitendaten zum Teil auf visuellen Eindrücken

(semiautomatische Lösung). So stellt die Interpretation unter zu Hilfenahme von Fo-

lien, weiterer Karten oder menschlicher Bildschirmdigitalisierung eine unsystematische

Fehlerquelle dar. Die Fehlerquellen bei der Satelltitenbildinterpretation lassen sich nach

Bossard et al. (vgl. [23], Bossard u. a.) vier Kategorien zuordnen:

• Überlappung von spektralen Bereichen

• Pixel beinhalten mehrere Landnutzungskategorien

• Aufnahme und Geometrie

• Konzeptionelle Fehler - z.B. Variabilität in Klassen geht verloren

24


Ungenauigkeiten in der Landnutzungsklassifikation werden durch Generalisierungen her-

vorgerufen. So beträgt die Mindestgröße für eine in CORINE erfasste Flächennutzung

25 ha. Der erfasste Flächenzuwachs und die Flächenabnahme innerhalb einer Landnut-

zungskategorie können allerdings Werte kleiner als 25 ha annehmen. Weiterhin werden

adjazente Flächen zusammengefasst, wenn sie jeweils kleiner als 25 ha sind. Die Gesamt-

fläche muss hierbei wieder die Mindestgröße von 25 ha erreichen. Gehört beispielsweise

eine Fläche in die Kategorie der Continous und die benachbarte Fläche zur Klasse der

Discontinous urban fabric, so wird die zusammengefasste Fläche als Discontinous ausge-

wiesen. Um eine Gesamtfläche von mehr als 25 ha zu erzeugen, werden darüber hinaus

kleine Siedlungen (<25 ha), die in die Discontinous Klasse gehören, zusammengefasst,

wenn der Abstand zwischen den Siedlungen weniger als 300 m beträgt (vgl. [23], Bossard

u. a.).

Landnutzungsdaten (Siedlungen) können erheblich von administrativen Grenzen abwei-

chen. Es gibt keine bijektive Beziehung zwischen einer bestimmten Siedlungslandnut-

zung und einer Stadt. So können mehrere Siedlungen zu einer Stadt gehören als auch

eine Siedlung zu mehreren Städten. Daraus folgt, dass die Verknüpfung der Siedlungen

mit städtestatistischen Daten nicht in einfacher Weise erfolgen kann. Dies ist in der

folgenden Abbildung 3.3 veranschaulicht.

Abbildung 3.3: CORINE-Siedlungsdaten am Beispiel von Berlin

(a) Berlin CLC (b) Berlin Stadtteile

Quelle : (b) Wikipedia

Berlin hat eine Fläche von ca. 890 km2 (davon sind ca. 486,65 km2 Siedlungsfläche (nach

Angaben des Amtes für Statistik Berlin-Brandenburg)). Die größte zusammenhängen-

de Siedlung, welche Teile von Berlin aber auch Bereiche außerhalb der administrativen

Grenzen umfasst, beträgt nach den CLC Rasterdaten 441,79 km2. Die Verschneidung

25


von CLC Siedlungsflächen (hier jedoch Vektordaten) mit der Fläche Berlins ergibt ei-

ne Siedlungsfläche von ca. 458,83 km2. Dies bedeutet, dass in diesem Fall ca. 94% der

Siedlungsflächen erfasst werden. Hinzu kommt, dass die offizielle Siedlungsflächenangabe

aktueller ist als die der CLC Daten (d.h., dass die Wiedergabe der Siedlungen gegebe-

nenfalls noch besser ist).

Im Verlauf der vorherigen Abschnitte wurde die verwendete Datengrundlage (CLC Da-

ten )und ihre Genauigkeit dargestellt. Der große und entscheidende Vorteil dieser Daten

liegt in der Homogenisierung und der großen Flächenabdeckung. Als Nachteil kann an-

gesehen werden, dass Daten nur zu wenigen Zeitpunkten zu Verfügung stehen und das

für den hier betrachteten Bereich der Siedlungen nur eine sehr beschränkte Klassen-

unterscheidung existiert. Daher sollen zur Vollständigkeit im nächsten Abschnitt zwei

weitere Landnutzungsdatenquellen (MOLAND (Monitoring Land Use/Cover Dynamics)

und Urban Atlas als Teil von GMES (Global Monitoring for Environmental Security)),

die diese Nachteile etwas aufheben, erwähnt werden. Die Datenquellen wurden aufgrund

der geringen Flächenabdeckung jedoch nicht weiter in die Analysen dieser Arbeit einbe-

zogen.

Als erstes sei hier das Projekt MOLAND (früher MURBUNDY) aufgeführt. MOLAND18

wird bearbeitet durch das Institute for Environment and Sustainability (IES). MOLAND

integriert verhältnismäßig wenige Untersuchungsgebiete (ca. 30), dafür gibt es jedoch

Landnutzungsdaten die bis zu 50 Jahre zurückreichen. Nähere Angaben zu MOLAND

sind bei Barredo et al. beschrieben (vgl. [9], Barredo u. a.). GMES19 ist eine der drei

Hauptinitiativen betreffend Umweltinformationen in und über Europa. Die anderen In-

itiativen sind das Shared Environmental Information System (SEIS)20 und die Infrastruc-

ture for Spatial Information in the European Community (INSPIRE)21. GMES ist eine

gemeinsame Initiative der Europäischen Kommission und der Europäischen Weltraum-

behörde (ESA). Ziel ist es, die europäischen Territorien zu überwachen, um politische

Entscheidungsprozesse mittels raumbezogener Informationen zu unterstützen. Hierbei

sind die Bereiche Umweltschutz, aber auch Ressourcen-, Agrar- und Sicherheitspolitik

zu nennen. Im Rahmen von GMES werden Erdbeobachtungssatelliten (z.B. Sentinel-

Satelliten ab 2012) als auch Daten von Bodenstationen, luftgestützten Beobachtungssy-

18Mehr Informationen zu MOLAND sind zu finden unter: http://moland.jrc.ec.europa.eu19Ausführlichere Informationen zu GMES sind unter http://www.gmes.info zu finden.20Diese Initiative der Europäischen Kommission hat das Ziel ein gemeinsames europäisches Umweltin-

formationssystem zu schaffen.21INSPIRE hat das Ziel die europäische Geodateninfrastruktur durch interoperable Geobasisdaten zu

harmonisieren und ist eine Initiative der europäischen Kommission

26


temen und Geoinformationsdiensten verwendet. Die zusammengefassten vereinheitlich-

ten Daten dienen der europäischen Raumbeschreibung und werden vor allem von politi-

schen Entscheidungsträgern genutzt (Endnutzer können jedoch auch Unternehmen, die

Forschung bzw. einzelne Bürger sein). Ein Teilbereich von GMES stellt geoland2 (Land

Beobachtung) dar. Dieser beinhaltet wiederum den GMES Urban Atlas22. Vergleichbare

Landnutzungsdaten von größeren urbanen Gebieten mit mehr als 100000 Einwohnern

(definiert nach Urban Audit) sind im Internet verfügbar (Shape-, pdf- und Wordda-

teien)23. Die Daten werden fortlaufend ergänzt. Die GMES Urban Audit Daten stellen

insofern eine Verbesserung zu den bereitgestellten CORINE Daten dar, als das die Ge-

bietsauflösung feiner ist (so sind z.B. auch innerstädtische Grünflächen ausgewiesen - die

minimale Flächenauflösung beträgt 0.25ha für urbane Klassen). Daraus ergibt sich, dass

eine zukünftige Ergänzung der europäischen Siedlungsauswertung durch GMES Urban

Atlas Daten sinnvoll ist. Jedoch sind, wie angesprochen, European Urban Atlas Daten

derzeit nicht flächendeckend verfügbar. Es werden 20 Klassen unterschieden, von denen

16 direkt Urbanität betreffen (die anderen Klassen stellen z.B. Wald oder Wassergebiete

dar). Insgesamt sind derzeit (Stand:04.02.2011) Daten von 249 Siedlungen vorhanden.

Die nachfolgende Abbildung 3.4 stellt die verfügbaren GMES Daten am Beispiel der

Stadt Budapest dar.

22Urban Atlas GIS Datenbezug: http://www.eea.europa.eu/data-and-maps/data/urban-atlas23Eine Übersicht über Gebiete, von denen Daten verfügbar sind, ist unter

http://dataservice.eea.europa.eu/map/UrbanAtlasBeta/ zu finden.

27

Methodik

Abbildung 3.4: Urban Atlas Landnutzungsdaten am Beispiel von Budapest

Quelle : EEA Urban Atlas

In diesem Abschnitt wurde die Datengrundlage für die Analyse europäischer Siedlungen

beschrieben. In den folgenden Abschnitten wird das methodische Vorgehen, die Form-

analyse und abschließend die Auswertung für die europäischen Siedlungen vorgestellt.

3.2 Methodik

Nach dem Partitionieren der Daten sowie der Bereitstellung des Raumbezugs durch

Esri-Worldfiles24 werden die erzeugten Rasterdaten (tif-Dateien) in MATLAB eingele-

sen. Der nächste Schritt ist die Extraktion der für diese Untersuchung relevanten Daten.

Da nur die Siedlungsdaten von Interesse sind, wurden die ursprünglichen RGB Daten

in Binärbilder25 umgewandelt. Darauffolgend wurden Pixel zu Objekten, den betrachte-

ten Siedlungen, zusammengefasst. Diese Zusammenfassung ist nicht eindeutig und wird

24Dateiendung: tfw (Informationen über den Raumbezug wurden mittels eines Skripts aus der geotiffDatei extrahiert.)

25Der 3 dimensionale Farbraum wurde verworfen, so dass resultierende schwarz-weiß Bilder durch jeweilseine Matrix beschrieben werden können.

28

Methodik

durch eine festgelegte Nachbarschaft bestimmt. Die Wahl der Nachbarschaft ist von be-

sonderer Bedeutung, da durch die Art der Zusammenfassung die Ergebnisse beeinflusst

werden. Zwei der bekanntesten Nachbarschaften sind in nachfolgender Abbildung (vgl.

Abb. 3.5) dargestellt.

Abbildung 3.5: Von-Neumann und Moore-Nachbarschaften

� �

Es handelt sich hierbei um die von Neumann Nachbarschaft (4er Nachbarschaft) und

die Moore Nachbarschaft (8er Nachbarschaft). Für die Siedlungsauswertung wurde als

Nachbarschaft die Moore Nachbarschaft festgelegt. Diese führt im Vergleich zur von

Neumann Nachbarschaft zu weniger Siedlungen, hat jedoch den Nachteil, dass sehr lange

Siedlungsketten entstehen können.

Ein Labeling Algorithmus für die Pixelzusammenfassung wird von MATLAB bereitge-

stellt. Nach der Firma Mathworks wird dabei ein von Haralick und Shapiro beschrie-

bener Algorithmus verwendet, der die betrachteten Siedlungen bzw. Siedlungsverbünde

bestimmt (vgl. [71], Haralick u. Shapiro).

Da Europa in verschiedene Teilbilder aufgeteilt wurde (vgl. Abb. 3.2), besteht die Mög-

lichkeit, dass Landnutzungen über Bildgrenzen hinweg bestehen. Um alle Siedlungen

vollständig zu erfassen, wurde folgendermaßen vorgegangen: Zuerst werden nur die Sied-

lungen betrachtet, die nicht mit dem Rand des Bildes in Verbindung stehen. Es wer-

den also als Erstes die Randpixelpositionen in einem Vektor gespeichert. Im nächsten

Schritt werden alle Pixelpositionen, die zu einer Siedlung gehören in einem Vektor zwi-

schengespeichert. Damit können nun die beiden Mengen (Vektoreneinträge) verschnitten

werden. Nur diejenigen Siedlungen werden weiter untersucht, die als Schnittmenge die

leere Menge erzeugen. Alle anderen Siedlungen werden vorerst nicht betrachtet. Dieses

Vorgehen wird für alle Siedlungen in den verschiedenen 500 km Siedlungsstreifen wieder-

holt. Um die bildübergreifenden Siedlungen zu berücksichtigen, wurde ein beidseitiger

30 km Streifen um die Bildgrenzen (Streifen Nord-Süd Grenze) gelegt. Dies ist vergleich-

bar mit den Buffer Zones, deren Bestimmung eine Grundfunktionalität in GIS-Software

29

Methodik

ist. Jetzt werden nur die Siedlungen betrachtet, die mindestens einen Pixel mit min-

destens einer der beiden mittleren Matrixzeilen des 60 km Streifen Bildes gemeinsam

haben (Verschneidung). Schließlich wurde, wie angedeutet, jeder 500 km Streifen noch-

mals senkrecht in der Mitte geteilt, um Speicherprobleme zu vermeiden. Es müssen also

im letzten Schritt noch diejenigen Siedlungen betrachtet werden, die den senkrechten

Schnitt berühren, gleichzeitig aber nicht die waagerechten Schnittgrenzen betreffen. An-

derenfalls würden Siedlungen doppelt analysiert werden. Die Formanalyse erfolgt nun

anhand der jetzt vollständig vorliegenden Siedlungen, die in Binärbildern gespeichert

sind.

Abbildung 3.6: Datengewinnung durch Verschneidung

Die Binärdaten zusammen mit dem Esri-Wordlfile enthalten Information darüber, wo

sich Siedlungen befinden und wie die geometrische Form dieser ausgestaltet ist. Um wei-

tergehende Informationen über die Siedlungen zu erhalten, sind Verschneidungen not-

wendig (vgl. Abb. 3.6)26. So wurden die Siedlungen mit den europäischen Landesgrenzen

verschnitten, um später Aussagen über Gemeinsamkeiten (bzw. Verschiedenartigkeit)

der Siedlungsausprägung in einzelnen Ländern treffen zu können.

Im nächsten Abschnitt wird nun die Formbestimmung auf Grundlage von Binärbildern

erläutert.26Die Verschneidung erfolgt mit weiteren tif Rasterbildern. Die Informationen sind dabei durch die

Farbwerte kodiert.

30

Binärbildanalyse (Formbestimmung mittels morphologischer

Operatoren)

3.3 Binärbildanalyse (Formbestimmung mittels

morphologischer Operatoren)

Wie bereits dargestellt, ist für diese Arbeit nur die Beschreibung von Siedlungen von

Interesse. Weitere Landnutzungsklassen werden nicht betrachtet. Demnach gibt es nur

eine binäre Unterscheidung hinsichtlich der Landnutzung (Siedlung oder nicht Siedlung).

Die Grundlage der Formanalyse sind somit Binärbilder. Binärbilder können mittels mor-

phologischer Operatoren ausgewertet werden. Dies wird im Weiteren beschrieben, bevor

Ergebnisse der praktischen Untersuchung vorgestellt werden.

Der Begriff Morphologie, der dem Griechischen entstammt, wurde aus der Biologie bzw.

den Geowissenschaften entlehnt und auf die Bildverarbeitung übertragen. Morphologie

als Lehre von der Form bzw. der Gestalt wird auf spezielle Gebiete angewendet. In der

Biologie ist die Morphologie das Teilgebiet, dass die Beschreibung der Struktur und

Form von Organismen zum Ziel hat. In den Geowissenschaften findet sich Morphologie

in den Forschungsrichtungen Geomorphologie, Hydromorphologie, Kristallmorphologie

aber auch Stadtmorphologie. In diesem Kapitel sollen nun Formen in Binärbildern un-

tersucht werden. Durch die Anwendung mathematischer morphologischer Operatoren

kann die Form von Objekten analysiert werden. Morphologische Operatoren können

auf Binär- und Grauwertbilder angewendet werden und dienen der Randerkennung, der

Merkmalsextraktion als auch der Veränderung des Kontrastes. Im Folgenden werden die

grundlegenden Operatoren Dilatation und Erosion sowie aus diesen zusammengesetzte

Operatoren beschrieben. Eine Abhandlung über binäre Bildverarbeitung mit den hier

beschrieben Operatoren ist unter anderem bei Jähne zu finden (vgl. [85], Jähne).

Dilatation

Im Falle der Dilatation werden Objekte ausgedehnt. Mit Hilfe einer Maske, auch Struktur-

element genannt, wird das vorliegende Binärbild gefaltet. Die Maske, die die Dimension

(2R + 1) × (2R + 1) hat, bestimmt demnach wie die Objekte ausgedehnt werden. Die

folgende Formel beschreibt die Definition der Dilatation. Da Binärbilder nur die Werte

Null oder Eins besitzen, kann die Definition mittels boolescher Algebra erfolgen:

g′

mn =R∨

m′=−R

R∨

n′=−R

mm′,n′ ∧ gm+m′,n+n′

31


Operatoren)

Äquivalent kann die Dilatation auch folgendermaßen als Mengenoperation definiert wer-

den:

(G ⊕ M) = {p : Mp ∩ G 6= ∅}

Darüber hinaus liefert die Dilatation das gleiche Ergebnis wie ein Maximum-Filter. In-

sofern kann die Dilatation auch dementsprechend beschrieben werden:

(G ⊕ M)(x, y) = max{G(x + s, y + t)|(s, t) ∈ Dx}

G ist hierbei das Binärbild und M die Maske (M(s, t) ∈ {0, 1}). Mit Hilfe von s und

t wird der Definitionsbereich der Maske durchlaufen. Ein Beispiel für die Dilatation ist

durch die folgende Veranschaulichung gegeben. Hierbei ist die erste Matrix das Binärbild

G und die zweite Matrix die Maske M.

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 1 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 1 1 0 0 0 0 0 0

0 0 1 1 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

⊕

1 1 1

1 1 1

1 1 1

=

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 1 1 0

0 0 0 0 0 0 1 1 1 0

0 0 0 0 0 0 1 1 1 0

0 0 0 0 0 0 0 0 0 0

0 1 1 1 1 0 0 0 0 0

0 1 1 1 1 0 0 0 0 0

0 1 1 1 1 0 0 0 0 0

0 1 1 1 1 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

Erosion

Diese Operation erodiert Objekte. Objekte schrumpfen demnach und Kleinstobjekte

können ganz verschwinden. Mithilfe einer Maske wird wiederum die Art und Stärke der

Erosion festgelegt. Die Definition der Erosion mittels boolescher Algebra lautet:

g′

mn =R∧

m′=−R

R∧

n′=−R

mm′,n′ ∧ gm+m′,n+n′

32


Operatoren)

Äquivalent kann die Erosion als Mengenoperation auch in folgender Weise definiert wer-

den:

(G ⊖ M) = {p : Mp ⊆ G}

Darüber hinaus liefert die Erosion das gleiche Ergebnis wie ein Minimum-Filter. So ist

es auch möglich, die Erosion mit Hilfe der folgenden Gleichung zu beschreiben:

(G ⊖ M)(x, y) = min{G(x + s, y + t)|(s, t) ∈ Dx}

Die Wirkungsweise der Erosion wird durch das folgende Beispiel veranschaulicht. Dabei

ist die erste Matrix wiederum das Binärbild G und die zweite Matrix die Maske M.

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 1 0

0 0 0 0 1 1 1 1 0 0

0 0 0 1 1 1 1 1 0 0

0 0 1 1 1 1 1 0 0 0

0 0 1 1 1 1 0 0 0 0

0 0 1 1 1 0 1 1 1 0

0 1 1 0 0 0 1 1 1 0

0 0 0 0 0 0 1 1 1 0

0 0 0 0 0 0 0 0 0 0

⊖

1 1 1

1 1 1

1 1 1

=

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 1 0 0 0 0

0 0 0 0 1 0 0 0 0 0

0 0 0 1 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 1 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

Zusammengesetzte Operatoren

Die zwei am häufigsten verwendeten Operatoren sind das Öffnen (Opening), beschrieben

durch Gleichung (3.1) und das Schließen (Closing), dargestellt in Gleichung (3.2). Beim

Öffnen wird auf eine Erosion eine Dilatation angewendet. Dies führt dazu, dass durch

die Erosion hervorgerufene Kleinstobjekte verschwinden, jedoch durch die anschließend

durchgeführte Dilatation die größeren Objekte nicht verkleinert werden. Beim Schlie-

ßen wird zuerst eine Dilatation und anschließend eine Erosion durchgeführt. Dies führt

zum schließen eventuell vorhandener kleiner Löcher unter Beibehaltung der Größe der

Objekte. Die beiden Operationen sind folgendermaßen definiert:

G ◦ M = (G ⊖ M) ⊕ M (3.1)

G • M = (G ⊕ M) ⊖ M (3.2)

33


Operatoren)

Ein Operator, der aus den Operatoren Erosion und Dilatation oder aus zwei Erosio-

nen zusammengesetzt ist, kann zum Erkennen von spezifischen Objektformen eingesetzt

werden. Hierbei handelt es sich um den Hit-Miss-Operator (Gleichung (3.3)). Der Hit-

Miss-Operator ist folgendermaßen definiert:

G⊗ (M1,M2) = (G⊖M1)∩ (G⊖M2) = (G⊖M1)∩ (G ⊕ M2) mit M1 ∩M2 = ∅ (3.3)

Mittels der Maske M1 werden die Objekte bestimmt, die größer oder gleich der ge-

suchten Objektform sind. Die Maske M2 wird so festgelegt, dass sie der Negativform

der gesuchten Objektform entspricht. Die Anwendung der Maske M2 auf das invertierte

Originalbild ermittelt Objekte, die kleiner oder gleich den gesuchten Objekten sind. Der

Schnitt über diese beiden angewendeten Erosionen liefert das gewünschte Ergebnis, also

Objekte einer bestimmten Form. Im Folgenden ist zur Veranschaulichung der Masken

M1 und M2 ein Beispiel angegeben, wenn Objekte mit einer horizontalen Anordnung

von drei Pixeln gesucht werden sollen:

M1 =(

1 1 1)

M2 =

1 1 1 1 1

1 0 0 0 1

1 1 1 1 1

Die anschließend dargestellten Matrizen verdeutlichen die Wirkungsweise des Hit-Miss-

Operators. Dabei ist das Originalbild durch die Matrix G gegeben:

G =

0 0 0 0 0 0 0 0

0 1 1 1 0 0 0 0

0 0 0 0 0 0 0 0

0 1 1 1 1 0 1 0

0 0 0 0 0 0 1 0

0 0 0 0 0 0 0 0

und G ⊖ M1 =

0 0 0 0 0 0 0 0

0 0 1 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 1 1 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

34

Siedlungsparameter für urbane Formen

G =

1 1 1 1 1 1 1 1

1 0 0 0 1 1 1 1

1 1 1 1 1 1 1 1

1 0 0 0 0 1 0 1

1 1 1 1 1 1 0 1

1 1 1 1 1 1 1 1

und G ⊖ M2 =

0 0 0 0 0 0 0 0

0 0 1 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

(G ⊖ M1) ∩ (G ⊖ M2) =

0 0 0 0 0 0 0 0

0 0 1 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

Mit den angesprochenen Operatoren können demnach beliebige Formen in binären Ras-

tergrafiken detektiert werden. Dadurch können gleiche oder ähnliche Siedlungsformen in

Europa bestimmt werden. Der nächste Abschnitt erläutert Paramter zur Bestimmung

von Siedlungsformen.

3.4 Siedlungsparameter für urbane Formen

Bei Siedlungen kann die Form an sich, die Veränderung der Form im Laufe der Zeit

als auch die räumlichen Beziehungen zwischen Siedlungen und oder weiteren Landnut-

zungsformen untersucht werden. In dieser Untersuchung wird eine statische Analyse der

urbanen Formen der Siedlungen durchgeführt. Auf Veränderungen der Form im Lau-

fe der Zeit und die räumlichen Beziehungen zwischen Siedlungen wird auf Grund Ihrer

prinzipiellen Bedeutung kurz eingegangen. Nachfolgend werden die bei der Untersuchung

der urbanen Form bestimmten Parameter sowie daraus abgeleitete Größen beschrieben.

Formanalysen werden dabei durch das von Sullivan am Kapitelanfang dargelegte Zitat

legitimiert (vgl. [156], Sullivan).

Zu Beginn der Formanalyse werden der Flächeninhalt und der Umfang einer jeden Sied-

lung bestimmt. Zur Bestimmung des Flächeninhalts wird die Anzahl der zu einer Sied-

lung gehörenden Pixel gezählt. Die Anzahl der Pixel ist, wie im vorherigen Abschnitt

dargestellt, durch die gewählte Nachbarschaft festgelegt. Da ein Pixel für eine bestimm-

te Fläche in der Realität steht, kann die Pixelanzahl in eine gängige Maßeinheit für

35


den Flächeninhalt umgerechnet werden. Mit Hilfe der beschriebenen Erosionsoperation

kann der Umfang berechnet werden (G\(G⊖M)). Bei der Berechnung wurde jedoch auf

den Erosionsoperator verzichtet. Der Umfang wurde direkt in Metern in Abhängigkeit

der Lage zugehöriger Zellen berechnet. Aus den Parametern Umfang und Flächeninhalt

werden Größen für die Kompaktheit einer Siedlung abgeleitet.

Die Kompaktheit von Siedlungen wird zumeist nur qualitativ beschrieben. Kompak-

te Siedlungen sind durch höhere Dichte (Bevölkerung, Gebäude) und gemischte Nut-

zung charakterisiert. Zumeist werden kompakte Städte als Lösung eines nachhaltigen

Städtedesigns angesehen (vgl. [81], Jabareen). Jedoch gibt es auch Publikationen, die

Kompaktheit kritisch sehen (vgl. [118], Neumann). So schlussfolgert Neumann in seinem

Artikel, dass es weder notwendig noch hinreichend ist, die Ziele der idealisierten kom-

pakten Stadt zu verfolgen. So stehen für ihn Prozesse im Vordergrund. Die interessanten

Fragen thematisieren demnach die Nachhaltigkeit der Lebensweise der Bewohner, des

Konsums, die Produktion von Gütern und Dienstleistungen. Strukturen und Formen

werden als Ergebnis der sich ständig wandelnden Prozesse gesehen. Um den Grad der

Kompaktheit quantitativ erfassen zu können, sind Indikatoren notwendig, wobei sich die

vorliegende Arbeit nur auf geometrische Aspekte bezieht. Für die Messung der Kom-

paktheit von geometrischen Formen können verschiedene Indikatoren verwendet werden

(vgl. [114], Montero u. Bribiesca und [2], Angel u. a.). Die Methoden zur Messung von

Kompaktheit können dabei in Methoden gruppiert werden, die innere Distanzen mes-

sen, Methoden, die Vergleichsgeometrien heranziehen und Methoden die auf geometri-

sche Pixeleigenschaften zurückgreifen. Nachfolgend werden die verwendeten Indikatoren

vorgestellt.

Gewöhnlich wird unter Kompaktheit der folgende Quotient verstanden: Umfang2

Flaecheninhalt. Im

zweidimensionalen Raum ist die kompakteste Form ein Kreis, wobei verschiedene Eigen-

schaften zu dieser Kompaktheit beitragen (vgl. [2], Angel u. a.). Durch die Quadrierung

hat der Umfang allerdings ein zu starkes Gewicht, so dass in vielen Fällen weitere In-

dikatoren hinzugezogen werden müssen. Eine weitere Möglichkeit die Kompaktheit zu

erfassen, ist es Siedlungen durch eine bestmöglich angepasste Ellipse zu beschreiben. Die

Längen der Halbachsen ergeben dann ein Maß für die Kompaktheit. Je länglicher die

Ellipse ist, desto weniger kompakt ist die Siedlung (vgl. Abb. 3.7). Lineare Siedlungen27,

z.B. entlang von Straßen oder Flüssen können mit diesem Indikator erkannt werden.

27Im ländlichen Raum kann an Straßendörfer, Zeilendörfer etc. gedacht werden.

36


Abbildung 3.7: Ellipse als Kompaktheitsindikator

Dieser Indikator hat allerdings den Nachteil, dass bestimmte weniger kompakte Formen

(z.B. sternförmige Objekte) als kompakt angesehen werden. Ein weiterer ausgewerteter

Indikator ist der Quotient aus Siedlungs- und BoundingBox-Fläche. Dieser Indikator hat

allerdings den Nachteil, dass z.B. eine quadratische Siedlungsfläche kompakter wäre als

eine kreisförmige. Der dritte berechnete Indikator ist der ShapeIndex28. Er setzt den

Kreis als kompakteste Form voraus und berechnet die Abweichung der betrachteten

Siedlung zu einem Kreis mit gleichem Flächeninhalt.

ShapeIndex =Siedlungsumfang

2√

Π ∗ Siedlungsflaeche=

Siedlungsumfang

2Πr

Die Unzulänglichkeiten verschiedener Form-Indikatoren werden von Tsai beschrieben

(vgl. [163], Tsai). So identifiziert er als einen Nachteil, dass gleiche Indikatorwerte mit-

unter für verschiedene Situationen in der Realität stehen können. Bezogen auf den Sha-

peIndex verdeutlicht dies Abbildung 3.8.

Abbildung 3.8: Indikatorunzulänglichkeit anhand von Vergleichsobjekten��

� �

� ��

��

��

�

��

Die Objekte in Abbildung 3.8 sind hinsichtlich ihrer Form sehr verschieden, besitzen

jedoch einen gleich großen Flächeninhalt und Umfang. Daraus folgt, dass in diesem Fall

auch der ShapeIndex für die Objekte gleich ist. Aus dem Index kann demnach nicht

auf eine real existierende Form rückgeschlossen werden. Weiterhin sind die räumliche

Auflösung und eventuell vorhandene Löcher29 in Objekten zu beachten. Nicht alle In-

dikatoren zur Messung von Kompaktheit sind invariant gegenüber einer Veränderung

28Anstatt ShapeIndex findet sich in der Literatur auch die Bezeichnung jaggedness degree.29Über die Eulersche Charakteristik kann die Anzahl der Löcher bestimmt werden.

37


der Auflösung. Indikatoren, die gute Ergebnisse bei Objekten mit einer durchgehen-

den Fläche erzielen, sind mitunter nicht aussagekräftig bei Objekten mit Löchern (vgl.

[114], Montero u. Bribiesca).

Die Kompaktheit kann auch durch die Normalised Discrete Compactness erfasst werden.

Die Idee dahinter ist, die Anzahl benachbarter Seiten zu bestimmen. Je mehr benach-

barte Seiten es gibt, desto kompakter ist das Untersuchungsobjekt. Dieses Kompakt-

heitsmaß (CDN) ist durch folgende Formel gegeben, wobei n die Anzahl der Pixel und

U der Umfang ist.

CDN =CD − CDMin

CDMax − CDMin

CD =4 ∗ n − U

2

CDMin = n − 1

CDMax =4 ∗ n − 4 ∗ √n

2

Dieser Indikator wird durch eine veränderte Auflösung wenig beeinflusst (vgl. [114], Mon-

tero u. Bribiesca). Jedoch muss angemerkt werden, dass dieser Indikator abgestimmt ist

auf eine zugrundeliegende 4-er Nachbarschaft. Bei verwendeter 8-er Nachbarschaft hat

eine diagonale und eine schachbrettartige Anordnung von Pixeln die gleiche Kompakt-

heit. Dies ist ungünstig, für reale Gegebenheiten aber mitunter vernachlässigbar.

Als letztes hier beschriebenes Maß für die Kompaktheit dient die fraktale Dimension.

Je geringer diese Dimension ist, desto kompakter ist die Siedlung. Bei dieser Auffassung

von Kompaktheit steht der Siedlungsrand im Vordergrund. Je zerklüfteter die Siedlungs-

ränder, desto weniger kompakt sind die Siedlungen. Der Zusammenhang von Siedlungen

und Fraktalen ist bei Batty oder Frankhauser beschrieben (vgl. [11], Batty u. Longley

und [58], Frankhauser). Siedlungen müssen allerdings nicht immer fraktal sein, wie Ben-

guigui et al. am Beispiel von Tel Aviv zeigen (vgl. [16], Benguigui u. a.). Nach Analysen

von Benguigui et al. kann die israelische Mittelmeerstadt erst ab 1985 als fraktal gelten.

Generell ist nach Benguigui auch nicht endgültig beantwortet, warum fraktale Städte

existieren (vgl. [16], Benguigui u. a.).

38


Die bekannteste Definition des Begriffes Dimension ist die des Vektorraumes. Die Dimen-

sion entspricht der Mächtigkeit eines minimalen Erzeugendensystems30. Diese Aussage

ist äquivalent zur Festlegung der Dimension als maximale Anzahl linear unabhängiger

Vektoren, die einen Vektorraum aufspannen. Im Gegensatz zu diesen ganzzahligen Di-

mensionen (Punkt,Linie, Fläche. . . ), besitzen Fraktale eine Dimension aus dem Bereich

der gebrochenen Zahlen (R). Mengen werden als Fraktale bezeichnet, wenn ihre fraktale

Dimension (Hausdorff-Besicovitch-Dimension31) größer als ihre topologische Dimensi-

on32 ist. Die fraktale Dimension ist eine Eigenschaft um Fraktale vergleichen zu können.

Im engeren Sinne sind Stadtumrisse keine Fraktale, da sie keine strikte Selbstähnlich-

keit aufweisen. Sie besitzen jedoch ein Verhalten, das mathematischen Fraktalen ähnelt

und durch statistische Selbstähnlichkeit33 beschrieben ist. Die Bestimmung der fraktalen

Dimension statistischer bzw. natürlicher Fraktale34 kann für praktische Anwendungen

mit Hilfe der durch die Box-Counting Methode gelieferten Box-Dimension durchgeführt

werden (vgl. z.B. [21], Block u. a.). Die Box-Dimension35 ist nach Gleichung (3.4) zu

berechnen36.

D = limǫ→0

log N(ǫ)

log 1ǫ

(3.4)

Im Gegensatz zu natürlichen Fraktalen wird die Dimension mathematisch konstruierter

Fraktale (deterministische Fraktale) folgendermaßen berechnet: (D = − log(N(ǫ))log(ǫ)

). So ist

beispielsweise die Dimension der Kochkurve37, bestimmt durch D = − log 4log 3

≈ 1.26. N = 4

ist die Anzahl der verkleinerten Versionen des Ausgangsobjektes unter dem gegebenen

Skalierungsfaktor ǫ = 3.

Die Box-Dimension (Gleichung 3.4) lässt sich gut berechnen, wenn als Datengrundlage

Vektordaten zur Verfügung stehen. Da Epsilon nicht beliebig verkleinerbar ist bzw. auch

30Menge der Linearkombinationen die den Vektorraum aufspannt.31Die Hausdorff-Besicovitch-Dimension (Hausdorff-Dimension) ist die maßtheoretische Definition der

fraktalen Dimension.32Die topologische Dimension ist ganzzahlig und entspricht dem gängigen Verständnis. Punkte, Strecken

und Flächen haben die Dimensionen 0, 1 und 2.33Ein Fraktal ist statistisch selbstähnlich, wenn Vergrößerungen von Teilen der Menge die gleiche Zu-

fallsverteilung haben.34Dies sind Fraktale, wie sie in der Natur vorkommen. Diese werden unterschieden von den rekursiv

erzeugten mathematischen Fraktalen. Es gibt nur eine selbstähnliche Struktur (keine strikte Selbstähn-lichkeit). Die Selbstähnlichkeit kommt nur auf einer begrenzten Zahl von Stufen vor.

35Zur Box-Dimension ist die Minkowski-Dimension äquivalent.36Boxcounting-Dimension: ǫ − Rasterbreite, N(ǫ) - Anzahl der geschnittenen Rasterzellen.37Die Kochkurve zählt zu den bekanntesten Fraktalen.

39


die Polygonbegrenzungen nicht beliebig klein sind, kann die Box-Dimension jedoch nur

angenähert berechnet werden. Eine Beschreibung der Vorgehensweise zur Bestimmung

der fraktalen Dimension mittels der Boxcounting Methode liefern Meiling und Quizhong

(vgl. [109], Meiling u. Quizhong). Da bei den vorliegenden Untersuchungen Rasterdaten

verwendet wurden, wurde auf den Grenzübergang komplett verzichtet und die fraktale

Dimension angenähert nach folgender Formel berechnet.

D =2 ∗ ln(U)

ln(A)(3.5)

Hierbei ist U der Umfang und A der Flächeninhalt des Polygons für das die fraktale Di-

mension bestimmt werden soll. Praktische Anwendung findet diese Formel auch in den

Arbeiten von Förster und Herold (vgl. z.B. [60], Förster u. Kleinschmitt, [74], Herold

u. a., [182], XU u. a.). Die Formel kann durch folgende Herleitung erklärt werden (vgl.

[11], Batty u. Longley)38.

N(r) = K ∗ r−D

L(r) = N(r) ∗ r = K ∗ r(1−D)

L(r) = K ∗(

Rr

)D ∗ r = K ∗ RD ∗ r1−D

Nach Lovejoy ([106], Lovejoy) besteht die folgende Beziehung zwischen Umfang und Flä-

che: U ∼√

AD. Bei glatten Formen wie Kreisen oder Quadraten ist dabei D = 1. Wird

also Ui = R =√

Ai gesetzt, so ergibt sich Li = G ∗ UDi bzw. Li = G ∗ A

D

2

i . Daraus folgt

die folgende Gleichung.

D =2 ∗ (log Li − log G)

log Ai

(3.6)

K ist ein Proportionalitätsfaktor. Weiterhin besteht die Annahme, dass das Skalierungs-

verhältnis 1r

in direkter Beziehung zu R (Bezug zur Größe des Objektes) steht. Bei einem

festen Skalierungsverhältnis ist r1−D konstant. Die Konstanten gehen in die eingeführte

Größe G ein (bei G = 1 sind Gleichung 3.5 und 3.6 identisch).

Zur Berechnung der fraktalen Dimension findet man in der Literatur auch den Fractal

Dimension Index, der z.B. im Programm FRAGSTATS berechnet werden kann. Hier

findet im Vergleich zur oberen Formel noch eine Anpassung statt, in dem der Umfang

mit einer Konstanten multipliziert wird. Wenn mehrere Objekte zusammen untersucht

38Variablen der letzten Formeln: N(r) - Anzahl der Teilstücke, r-Skalierungsfaktor, L(r)-Gesamtlänge,R-Länge des Untersuchungsobjektes, K-Konstante

40


werden sollen, kann eine mittlere fraktale Dimension berechnet werden. Dafür stehen

mehrere Möglichkeiten zur Verfügung (vgl. [94], Koijma u. a.).

• Double log fractal dimension (DLFD)

• Mean patch fractal dimension (MPFD)

• Area-weighted mean patch fractal dimension (AWMPFD)

An dieser Stelle sei angemerkt, dass es für das Programm ArcGIS freie Extensions gibt,

die verschiedene Landschaftsstrukturmaße berechnen können. Im Bereich der Vektor-

daten (genaugenommen Shapefiles) steht die Erweiterung V-Late zur Verfügung. Diese

kann auch die fraktale Dimension bestimmen (nach Formel 3.5). Der Patch Analyst

als zweite mögliche ArcGIS Erweiterung kann für den Bereich der Fraktale den MPFD

als auch den AWMPFD berechnen. Unabhängig vom einem GIS gibt es das Programm

fractalyse39, das Berechnungen auf Grundlage von tif- bzw. bmp-Bildern tätigt. Die Frak-

talität kann für verschiedene Gebiete einer Siedlung unterschiedlich groß sein. Außerdem

unterliegt die Fraktalität nach Benguigui et al. Veränderungen im Laufe der Zeit (vgl.

[16], Benguigui u. a.).

Urbane Formen werden in dieser Arbeit statisch betrachtet. Formveränderungen von

Siedlungen im Laufe der Zeit wurden nicht untersucht, da CORINE Landnutzungsdaten

nur für die drei Zeitpunkte 1990, 2000 und 2006 zur Verfügung stehen und diese Daten,

wie in Kapitel 3.1 angesprochen, nur bedingt vergleichbar sind.

Dynamische Analysen ermöglichen Rückschlüsse auf potentielle zukünftige Entwicklun-

gen. Eine dynamische Betrachtung von Siedlungentwicklung wurde z.B. von Turok und

Mykhnenko durchgeführt (vgl. [164], Turok u. Mykhnenko). In ihrer Untersuchung zur

Bevölkerungsentwicklung verglichen Turok und Mykhnenko 310 europäische Städte im

Zeitraum von 1960-2005. Aufgrund der Daten wurden 8 Pfade städtischer Entwicklung

herausgestellt.

Bei einer dynamischen Betrachtung europäischer Siedlungen zeigt sich, dass auch Europa

immer mehr von einer Zersiedlung betroffen ist. Im Allgemeinen wird unter Zersiedlung

das Wachsen von Siedlungen/Siedlungsteilen in die umgebende Landschaft verstanden.

In dieser Arbeit wird Zersiedlung allerdings auf den Siedlungsrand bezogen. Die Bestim-

mung der Zersiedlung erfolgt dabei mittels der fraktalen Dimension. Die Zersiedlung von

Landschaft wird nicht betrachtet. Auf Grund seiner Bedeutung für Europa soll dieses

39fractalyse: kann unter http://www.fractalyse bezogen werden.

41


Thema hier jedoch nicht unerwähnt bleiben (vgl. [52], European Environmental Agen-

cy). So wird angenommen, dass im Jahr 2020 mehr als 80% der Europäer in Städten

leben. Der Bericht der EEA geht insbesondere auf die Zersiedlung entlang von Trans-

portachsen und Küsten ein. Küsten als sensible Ökosysteme sind besonders zu beachten.

Der Ausbau an Bebauungsflächen europäischer Städte steigt bis auf Ausnahmen stärker

an als die Einwohnerzahl (vgl. [52], European Environmental Agency).

Die angesprochenen Indikatoren zum Berechnen der Kompaktheit einer Siedlung stellen

auch ein Messkonzept für die Erfassung von Zersiedlung dar, decken jedoch nur einen

Teil dieses Begriffes ab. Galster und Koautoren stellen die Komplexität, Erfassung und

Messung sowie die Schwierigkeiten, die mit dem Begriff Zersiedlung verbunden sind

umfassend dar. So beinhaltet laut Galster Zersiedlung einen bzw. mehrere der folgenden

Indikatoren: Density, continuity, concentration, clustering, centrality, nuclearity, mixed

uses und proximity (vgl. [62], Galster u. a.). Diese müssen durch geeignete Messkonzepte

erfasst werden.

Die Schwierigkeit im Umgang mit dem Begriff Zersiedlung kommt in folgendem Satz

zum Ausdruck. “Sprawl has become the metaphor of choice for shortcomings of the sub-

urbs and the frustration of the central cities. It explains everything and nothing “(vgl.

[62], Galster u. a., S.681). Weiterhin werden durch Galster 6 Gruppierungen beschrie-

ben, in die Zersiedlungsdefinitionen fallen können. Dies zeigt wiederum die Komplexität

im Umgang mit diesem Begriff. Zersiedlung wird demnach nicht nur auf eine Siedlung,

sondern auf Siedlungszusammensetzungen hinsichtlich festgelegter Räume untersucht.

Prinzipiell können die aufgezählten Dimensionen von Zersiedlungen mit Hilfe der CORI-

NE Siedlungsdaten näher bestimmt werden. So ist es möglich, die Konzentration bzw.

Clusterung von Siedlungen für bestimmte europäische Räume zu untersuchen. Dimen-

sionen wie Nutzungsmix oder Nähe bedingen jedoch die Aufnahme von weiteren Land-

nutzungsklassen aus der CORINE Erfassung in die Untersuchung. In der nachfolgenden

Abbildung 3.9 ist Stockholm mit seiner näheren Umgebung eingezeichnet. Die Ringe

kennzeichnen den 5, 10, 25 und 50km Abstand um das Stadtzentrum.

42


Abbildung 3.9: Siedlungsgradienten am Beispiel von Stockholm

Mit Hilfe von Siedlungsumgebungen, wie Sie in Abbildung 3.9 zu sehen sind, ist es mög-

lich, den Grad der Zersiedlung zu bestimmen. Guérois und Pumain nutzten die Umge-

bungsringe um Gradienten für die Siedlungslandnutzung zu bestimmen (vgl. [68], Guérois

u. Pumain). Diese Untersuchung zur Zersiedlung stützte sich auf CORINE Daten und

wurde auf vierzig europäische Städte angewendet. Die Einbeziehung weiterer Landnut-

zungsklassen wie z.B. Wälder würde darüber hinaus eine grobe Abschätzungen über das

vorhandene Biomassepotential von Regionen ermöglichen, womit eine Beziehung zum

Thema Energie hergestellt werden kann. Bei der Untersuchung von Siedlungsbeziehun-

gen sind Indikatoren wie Freiflächenanteil, effektiver Freiflächenanteil oder Effizienz der

räumlichen Siedlungsstruktur von Bedeutung (vgl. [147], Schweppe-Kraft).

Nach der Beschreibung der einzelnen Indikatoren in diesem Abschnitt wird nachfolgend

ein Werkzeug zur Erfassung von Siedlungsformen vorgestellt.

43

Werkzeug zur Erfassung der Siedlungsformen

3.5 Werkzeug zur Erfassung der Siedlungsformen

In diesem Abschnitt wird ein Werkzeug vorgestellt, mit dem Siedlungsformen erkannt

und ausgewertet werden können. Dazu wurde ein Graphical User Interface (GUI) in-

nerhalb von MATLAB programmiert. Das GUI bietet die Möglichkeit Teilgebiete in

Europa auszuwählen, um diese auf Ihre Siedlungsformen hin zu analysieren. Da zumeist

nur spezielle Teilräume von Interesse sind, ist es wichtig eine Gebietsauswahl treffen zu

können. Die Analyse der Siedlungsformen bestimmter Gebiete kann auch dazu genutzt

werden, Gebiete ähnlicher Siedlungsformen und Siedlungsverteilungen hinsichtlich eines

festgelegten Ähnlichkeitsmaßes in Europa zu identifizieren. Auf Grund der Möglichkeit

schnell Matrizenoperationen auszuführen, ist MATLAB eine geeignete Plattform für die

Auswertung von Rasterbildern. Darüber hinaus hat MATLAB für den Anwender den

Vorteil, dass spezielle Vorstellungen und Ideen durch eigene Algorithmen schnell imple-

mentiert werden können. Das Werkzeug zur Siedlungserfassung kann demnach schnell

erweitert und verbessert werden.

Abbildung 3.10: MATLAB Tool zur Erfassung von Siedlungsformen

Abbildung 3.10 zeigt einen Screenshot des entwickelten Analysewerkzeugs. Implemen-

tiert wurde nur die Betrachtung der Siedlungen an sich. Jedoch ist eine Erweiterung

44


hinsichtlich der Siedlungsbeziehungen möglich. Da gewünschte Auswahlgbiete über Bild-

grenzen hinweg bestehen können, können für eine zusammenhängende Betrachtung ein-

zelne Rasterbilder zusammengesetzt werden. Weiterhin ist in Abbildung 3.10 erkennbar,

dass das Auswahlgebiet als Binärbild angezeigt wird und es mehrere Möglichkeiten gibt,

eine Gebietsauswahl zu treffen. Die für die Gebietsauswahl in dem programmierten Ana-

lysewerkzeug zur Verfügung stehenden Möglichkeiten werden nachfolgend beschrieben.

Ganz allgemein kann das zu untersuchende Gebiet entweder durch eine graphische Aus-

wahl oder durch geographische Koordinaten festgelegt werden.

Untersuchungsgebiet - graphische Auswahl

Entscheidet sich der Nutzer für eine graphische Auswahl, so bietet ihm das program-

mierte Analysewerkzeug zwei Optionen zur Bestimmung des Untersuchungsgebietes:

• zeichnen eines Rechteckes über dem Zielgebiet

• zeichnen eines Freihandpolygones über dem Zielgebiet

Im ersten Schritt wählt der Nutzer mit Hilfe eines Listenfeldes eine Bilddatei im tif-

Format aus40. Ein tif-Bild deckt ein Gebiet von 100km ∗ 100km ab. Dieses umfasst

entweder das gesamte Zielgebiet oder beinhaltet zumindest Teile davon. Wenn sich das

Zielgebiet über Bildgrenzen hinweg erstreckt, ist es möglich Nachbarbilddateien zu be-

rücksichtigen. Das Ausgangsgebiet kann also aus einer, zwei oder vier Bilddateien be-

stehen. Die potentiellen Anschlussbilder werden dabei über die entsprechenden Datei-

namen identifiziert. Durch das Zeichnen eines Rechteckes oder eines Freihandpolygons

kann nun im nächsten Schritt die Matrix des Untersuchungsgebietes festgelegt werden.

Jedoch ist hierbei zu beachten, dass ein Bild (Matrix) immer rechteckig ist, was bei

Freihandpolygonen im Allgemeinen nicht gegeben ist. Daher wird zu jedem Freihandpo-

lygon die minimale Boundingbox (entspricht der minimalen Boundingbox der konvexen

Hülle des Objekts) bestimmt. Dabei kann es passieren, dass Siedlungen in der Boun-

dingbox vorkommen, die nicht oder nur zum Teil in dem durch den Nutzer bestimmten

Freihandbereich liegen. In der vorliegenden Implementierung wurden nur Siedlungen be-

trachtet, die vollständig im Auswahlbereich liegen. Abbildung 3.11 zeigt noch einmal den

graphischen Auswahlprozess. Es wird deutlich, dass Nachbearbeitungen der Teilbilder

notwendig werden, wenn die Zielauswahl Siedlungen schneidet oder Siedlungen in der

40Die tif Bilder (RGB) beinhalten die CORINE Daten, wobei die Dateien durch eine Vorverarbeitungnur noch die Siedlungsinformationen beinhalten.

45


minimalen Boundingbox liegen, die nicht zur Zielauswahl gehören. Die durch den Aus-

wahlprozess erzeugten und teilweise nachbearbeiteten Teilbilder stehen nun für weitere

Analysen zur Verfügung.

Abbildung 3.11: Graphische Auswahl des Untersuchungsgebietes

�

�

�

�

�

�

�

�

�

�

�

��

��

��

�

�

�� !��"��

Untersuchungsgebiet - Auswahl über geographische Koordinaten

Eine weitere Möglichkeit der Auswahl des zu untersuchenden Gebietes besteht darin,

geographische Koordinaten (Dezimaldarstellung) anzugeben, die das gewünschte Gebiet

umfassen. Die Koordinaten legen den westlichsten Punkt geringster geographischer Brei-

te und den östlichsten Punkt höchster geographischer Breite fest. Somit ist die Bounding-

box für das Untersuchungsgebiet durch die Punkte festgelegt. Da die georeferenzierten

Bilder in flächentreuer Azimutalprojektion (Lambertsche Azimutalprojektion) vorliegen,

ist eine Umrechnung der geographischen Koordinaten notwendig. Dafür kann der von

Snyder ([150], Snyder) beschriebene Algorithmus verwendet werden:

Hochwert, x = x0 + B ∗ D ∗ cos(β) ∗ sin(λ − λ0)

Rechtswert, y = y0 + B/D ∗ (cos(β0) ∗ sin(β) + cos(β) ∗ sin(β0) ∗ cos(λ − λ0))

Hierbei gelten die folgenden Gleichungen:

B = 2 ∗ Rq/√

1 + sin(β0) ∗ sin(β) + cos(β0) ∗ cos(β) ∗ cos(λ − λ0)

D = a ∗ m/(Rq ∗ cos(β0)))

46


Rq = a ∗√

qp/2

m = cos(φ)/√

1 − e2 ∗ sin(φ) ∗ sin(φ)

β = arcsin(q/qp)

q = (1 − e2) ∗ ((sin(φ)/(1 − e2 ∗ sin(φ) ∗ sin(φ))) − (1/(2 ∗ e)) + ln( (1−e∗sin(φ))(1+e∗sin(φ))

))

e2 = 2 ∗ f − f 2

β0 = arcsin(q0/qp)

q0 = (1 − e2) ∗ ((sin(φ0)/(1 − e2 ∗ sin(φ0) ∗ sin(φ0))) − (1/(2 ∗ e)) + ln( (1−e∗sin(φ0))(1+e∗sin(φ0))

))

q = (1−e2)∗((sin(φ)/(1−e2∗sin(φ)∗sin(φ)))−(1/(2∗e))+ln( (1−e∗sin(φ))(1+e∗sin(φ))

)) (für φ = 90◦)

Gegeben sind hierbei die Abflachung f (inverse Abflachung des Ellipsoiden GRS80:

298.257222101), die große Halbachse a (6378137m), die Bezugskoordinaten (φ0 = 52◦N ,

λ0 = 10◦E ) sowie die Werte für false Northing (3210000m) und false Easting (4321000m).

In der praktischen Anwendung wurde auf eine schon implementierte Koordinatenabbil-

dung zurückgegriffen. Hierzu wurde die Statistiksoftware R verwendet41. Für die Koor-

dinatenabbildung in R wurde das Packet rgdal42 genutzt. Rgdal ermöglicht einen Zu-

griff auf die freie Programmbibliothek GDAL (Geospatial Data Abstraction Library) als

auch auf die freie karthographische Projektionsbibliothek Proj.443. Die Verwendung des

R-D(COM)44 Servers ermöglicht es, R Berechnungen für andere Programme kompatibel

zu machen. Im folgenden ist beispielhaft die Koordinatentransformation eines Punktes

(φ = 50◦N , λ = 5◦E) im R Code dargestellt.

R-Code

Punkt = SpatialPoints(data.frame(x=c(5),y=c(50)))

proj4string(Punkt) = CRS("+init=epsg:4326")

spTransform(Punkt, CRS("+init=epsg:3035"))

41R ist eine freie Implementation der Sprache S42Informationen zu rgdal: http://cran.r-project.org/web/packages/rgdal/rgdal.pdf43Informationen zu Proj.4: http://trac.osgeo.org/proj/44Informationen zu R-D(COM): http://cran.r-project.org/contrib/extra/dcom/00ReadMe.html

47


Als Lageparameter für Siedlungen werden die Koordinaten (Lambert-Koordinaten LAEA)

des Siedlungszentroids angegeben. Darüber ist es möglich, Entfernungen zu Nachbarsied-

lungen zu bestimmen. Neben den Ortskoordinaten sind aber auch andere Lagebeziehun-

gen, wie beispielsweise die Höhenlage, die Zugehörigkeit zu einem bestimmten Land und

einer Klimazone oder die Entfernung zum Meer für eine Siedlung charakteristisch. Ne-

ben der graphischen Auswahl und der Bestimmung des Untersuchungsgebietes mit Hilfe

geographischer Koordinaten ist es prinzipiell möglich, weitere Kriterien für eine Gebiets-

auswahl durch den Nutzer festzulegen. Bisher wurde die kürzeste Entfernung zum Meer

als Berechnung in dem Analysewerkzeug implemtiert und eine Verschneidung mit Lan-

desgrenzen durchgeführt. Die kürzeste Entfernung zum Meer wurde durch den Abstand

der Siedlung zur Küstenlinie Europas berechnet.

Im Ergebnis liefert das programmierte Werkzeug ein Binärbild der entsprechenden Sied-

lungen im Auswahlgebiet sowie eine tabellarische Auflistung der Siedlungen (exportierte

Datei im .pdf bzw. xls Format). Zusätzlich werden die Siedlungsform beschreibenden

Parameter (Zentroid, Umfang, Fläche, fraktale Dimension,. . . ) ausgegeben, die Landes-

zugehörigkeit der Siedlungen aufgezeigt und die Berechnung des Abstandes zu Nachbar-

siedlungen und zur europäischen Küstenlinie ermöglicht.

Das hier programmierte Werkzeug kann beliebig erweitert werden. Um beispielsweise

Siedlungen mit einer bestimmten Höhenlage zu betrachten, kann ein digitales Höhenmo-

dell, wie es die EEA basierend auf dem United States Geological Survey (GTOPO30)

zur Verfügung stellt, herangezogen werden. Nutzt man diese frei zugänglichen Daten,

so könnte jedem Zentroid eine Höhenlage zugeordnet werden. Über die Internetpräsenz

des European Climate Assessment & Dataset (Royal Netherlands Meteorological Insti-

ute) können europäische Klimadatensätze bezogen werden, so dass es auch möglich ist,

Siedlungen mit klimarelevanten Daten zu verknüpfen. Denkbar ist auch, in die Sied-

lungsauswahl weitere CLC Landnutzungsklassen einzubeziehen, um z.B. Siedlungen an

Gewässern für ein bestimmtes Gebiet zu extrahieren. Weiterhin wären Bevölkerungsda-

ten eine wichtige Datenquelle. Daten über die Bevölkerungsdichte in Europa45 werden

auch von der EEA bereitgestellt.

Um grobe Abschätzungen über den Energiebedarf von Siedlungen im Untersuchungs-

raum durchführen zu können, müssten weitere Informationen beispielsweise zu adminis-

tratvien Grenzen von Siedlungen hinzugezogen werden. Eine Verschneidung der CORINE

45Ist als Raster von den Internetseiten der EEA als GeoTiff basierend auf CLC 2000 Daten zu beziehen(popu01clcv5.tif).

48


Daten mit administrativen Siedlungsgrenzen ist notwendig, da sich statistische Daten

immer auf administrative Grenzen beziehen. Hierzu kann im Open Source Bereich für ein-

zelne Gebiete der OSM Relation Analyzer genutzt werden (http://ra.osmsurround.org).

Administrative Grenzen können dann z.B. als .xml oder .gpx Datei geladen werden. In-

wieweit die Genauigkeit der Siedlungsgrenzen innerhalb Europas gegeben ist, kann vom

Autor nicht abgeschätzt werden. Um eine Genauigkeit der Daten sicherzustellen kann

auf kommerzielle Datenanbieter zurückgegriffen werden. Prinzipiell ist die Verknüpfung

von urbaner Form mit energetischen Fragestellungen auf Grund der vielfältigen Einflüsse

auf den Energiebedarf, aber auch wegen der Verfügbarkeit von dafür benötigten Daten

schwierig. Derzeit zur Verfügung stehende CORINE Daten, die nur zwei Siedlungsklas-

sen unterscheiden, sind für Untersuchungen des Enegiebedarfes von Siedlungen nur sehr

eingeschränkt geeignet.

Nachdem in diesem Abschnitt ein erstelltes Werkzeug zur Siedlungsformenanalyse vor-

gestellt wurde, zeigt das nächste Kapitel die Ergebnisse der europäischen Siedlungsana-

lyse.

49

Auswertung der Formanalyse für Europa

3.6 Auswertung der Formanalyse für Europa

In den folgenden Unterkapiteln werden die europäischen Siedlungsflächen, basierend auf

den CORINE Land Cover Daten, analysiert. Zuerst wird mittels deskriptiver Statistik

ein Überblick über die Siedlungsstruktur gegeben. Danach erfolgt in Unterkapitel 3.6.2

eine detaillierte Analyse der Siedlungsverteilungen mit Hilfe von Verfahren der explorati-

ven Statistik. In Unterkapitel 3.6.3 werden alle Siedlungen ohne Unterscheidung zwischen

Continous und Discontinous urban fabric genauer betrachtet, bevor in Unterkapitel 3.6.4

nur die dichter bebauten Siedlungen (Continous urban fabric) analysiert werden. Ab-

schließend wird im letzten Unterkapitel auf die Ranggrößenregel eingegangen, und diese

auf Flächengrößen angewendet.

3.6.1 Siedlungsgrößen im Überblick

Einführend soll in diesem Kapitel ein Überblick über die Siedlungsgrößenklassenvertei-

lungen gegeben werden. Dazu zeigt die Abbildung 3.12 die Größenverteilung der bei

CLC partizipierenden Länder46 anhand eines Mosaicplots. Es ist ersichtlich, dass die

meisten Siedlungen im Bereich von 20-40ha47 liegen. Länder mit bekannter ähnlicher

Bevölkerungszahl können verglichen werden. So ist trotz geringerer Bevölkerungszahl

der Anteil kleiner Siedlungen in Frankreich größer als in Deutschland. In der Türkei

sind dagegen deutlich weniger kleinere Siedlungen vorhanden als in Deutschland, wobei

die Gesamtbevölkerung beider Länder sich nur um wenige Prozent unterscheidet. Die

Siedlungstruktur der betrachteten Länder ist demnach verschieden. In Frankreich und

der Türkei konzentriert sich die Bevölkerung auf die Städte Paris bzw. Istanbul. So hat

Istanbul als Metropole mehr als 10 Millionen Einwohner.

46Malta wird in diesen Analysen nicht betrachtet. Die Daten von Malta wurden zu Italien gerech-net. Da nur wenige Siedlungen in Malta vorhanden sind, führt dies zu vernachlässigbar geringenAbweichungen von den tatsächlichen italienischen Daten.

47Die Einheit im Diagramm ist m2.

50


Abbildung 3.12: Gesamtsicht über die Verteilung der Größe europäischer Siedlungs-flächen

AreaClasses

Cou

ntrie

s

Fl:

0 −

1e+

05

Fl:

1e+

05 −

2e+

05

Fl:

2e+

05 −

3e+

05

Fl:

3e+

05 −

4e+

05

Fl:

4e+

05 −

5e+

05

Fl:

5e+

05 −

6e+

05

Fl:

6e+

05 −

7e+

05

Fl:

7e+

05 −

8e+

05

Fl:

8e+

05 −

9e+

05

Fl:

9e+

05 −

1e+

06

Fl:

1e+

06 −

110

0000

Fl:

1100

000

− 1

2000

00

Fl:

1200

000

− 1

3000

00

Fl:

1300

000

− 1

4000

00

Fl:

1400

000

− 1

5000

00

Fl:

1500

000

− 1

6000

00

Fl:

1600

000

− 1

7000

00

Fl:

1700

000

− 1

8000

00

Fl:

1800

000

− 1

9000

00

Fl:

1900

000

− 2

e+06

Fl:

2e+

07 −

...

Albania

Austria

Belgium

BosniaBulgariaCroatiaCyprus

Czech

DenmarkEstonia

Finland

France

Germany

Hungary

IcelandIreland

Italy

LatviaLiechtensteinLithuaniaLuxembourgMacedoniaMontenegroNetherlandsNorway

Poland

Portugal

Romania

SanMarinoSerbiaSlovakiaSlovenia

Spain

Sweden

Turkey

Das Mosaicplot gibt einen ersten groben Überblick über die Siedlungsstruktur der be-

trachteten Länder. Eine genauere Übersicht liefert die Darstellung der Siedlungsflächen

mit Hilfe von Boxplots (vgl. Abb. 3.13). Boxplots ermöglichen einen Vergleich der Sied-

lungsstruktur hinsichtlich der mittleren Größe sowie der Streuung. Sie liefern Informa-

tionen über das 25%, das 50% (Median) sowie das 75% Quantil und daraus abgeleiteten

Informationen über den Interquartilsabtand. Ausreißer wurden auf Grund der schlech-

51


teren Lesbarkeit nicht mit in die Abbildung aufgenommen.

Abbildung 3.13: Boxplots der Siedlungsflächen europäischer Staaten

AlbaniaAustria

BelgiumBosnia

BulgariaCroatiaCyprusCzech

DenmarkEstoniaFinlandFrance

GermanyHungaryIcelandIreland

ItalyLatvia

LiechtensteinLithuania

LuxembourgMacedonia

MontenegroNetherlands

NorwayPoland

PortugalRomania

SanMarinoSerbia

SlovakiaSlovenia

SpainSweden

Turkey

0e+00 1e+06 2e+06 3e+06 4e+06 5e+06

Fläche

Aus den Boxplots kann abgelesen werden, dass die Streuung der Siedlungsgrößen für

die verschiedenen Länder zum Teil deutlich voneinander abweicht. Die mittlere Sied-

lungsgröße (Median) ist in einem Bereich zwischen 30-70ha anzusiedeln. Die mittlere

Siedlungsgröße von Schweden übersteigt z.B. das 75% Quantil der Siedlungsgrößen der

Türkei. Die osteuropäischen Länder (vgl. Ungarn, Bulgarien, Rumänien) besitzen größe-

re mittlere Siedlungsgrößen im Vergleich zu den anderen Ländern. Aufgrund der geringen

Anzahl von Siedlungen sind die Angaben für Kleinststaaten wie Lichtenstein und Mon-

tenegro im europäischen Vergleich nicht aussagekräftig.

Für eine weitergehende Betrachtung der Siedlungsgrößen wurde eine Klasseneinteilung

vorgenommen. Durch die Klasseneinteilung können Aussagen über die zugrundeliegende

Verteilung der Siedlungsgrößen getroffen werden. In der folgenden Abbildung (vgl. Abb.

52


3.14) ist daher die Siedlungsgrößenverteilung für vier Länder (Albanien, Österreich, Bel-

gien und Bosnien) mittels eines Histogramms dargestellt. Die Verteilung der Siedlungs-

größen der fehlenden CLC Länder befinden sich als Histogramme im Anhang (S. 163

ff). Abbildung 3.14 zeigt, dass bei den vier betrachteten Ländern die Verteilung der

Siedlungsgrößen von der Normalverteilung abweicht und rechtsschief (linkssteil) ist. Die

Gesamtzahl der Siedlungen, wie auch der Anteil der Ausreißer48, sind im Histogramm

als Zahlenwert angegeben. All data bedeutet in der Abbildung, dass alle Siedlungen

betrachtet wurden, wohingegen im Alternativfall die Ausreißer keine Berücksichtigung

finden.

48Histogramme wurden in R mit der Option show.outliers=FALSE gezeichnet.

53


Abbildung 3.14: Histogramme der Siedlungsgrößenverteilung einzelner Länder

Areas ( Albania )

Fre

quen

cy

0 200000 600000 1000000

050

100

150

200

Kurtosis: 0.9

Skewness: 0.98

Variance: 49081631837.1

Median: 360000

Mean: 434405.87

Kurtosis (all data): 324.41

Skewness (all data): 16.89

Variance (all data): 9746604577318.6

Median (all data): 4e+05

Mean (all data): 835023.75

Count (all): 842

Share outlier: 0.1105

Areas ( Austria )

Fre

quen

cy

0 500000 1000000 1500000

010

020

030

040

050

0

Kurtosis: 0.75

Skewness: 1.1

Variance: 160837815175.45

Median: 450000

Mean: 568660.6




Median (all data): 490000


Count (all): 3407


Areas ( Belgium )

Fre

quen

cy

0 500000 1500000 2500000

050

100

200

300

Kurtosis: 1.7

Skewness: 1.44

Variance: 292130998561.52

Median: 490000

Mean: 665240.67



Variance (all data): 231895059382303



Count (all): 2325


Areas ( Bosnia )

Fre

quen

cy

0 500000 1000000 1500000

020

4060

8010

0

Kurtosis: 1.16

Skewness: 1.29

Variance: 147400166320.98

Median: 340000

Mean: 458003.95






Count (all): 572


Die durch die Histogramme optisch dargestellten Verteilungen werden im nachfolgenden

Kapitel mittels Teststatistiken einer näheren Untersuchung unterworfen. Somit kann

z.B. die Frage beantwortet werden, ob die Siedlungsgrößenverteilungen einzelner Länder

einer gemeinsamen Verteilung entstammen und die Staaten damit ähnliche Siedlungs-

strukturen aufweisen.

54


3.6.2 Analyse der Siedlungsgrößenverteilung

Die Daten der Siedlungsflächen werden mit Hilfe von Methoden der explorativen Sta-

tistik weiter analysiert. So wird untersucht, ob sich die Siedlungsverteilungen einzelner

Länder hinsichtlich ihrer Eigenschaften, wie Mittelwert oder Varianz unterscheiden. Der

Hintergrund dieser Untersuchung besteht darin, dass wie in Kapitel 2 dargelegt, urbane

Formen einen Einfluss auf die Energiebereitstellung als auch auf die Energienachfrage

ausüben. Es stellt sich also die Frage, ob nationale Siedlungsstrukturen einen Erklä-

rungswert für den unterschiedlichen Energieverbrauch der europäischen Länder besitzen

könnten.

Um zu beurteilen, ob die Siedlungsgrößen der einzelnen Länder einer identischen Vertei-

lung entstammen, kann der χ2 - Homogenitätstest angewendet werden. Die Siedlungen

wurden hierfür in 21 Größenklassen eingeteilt. In der Literatur findet sich als Faustregel,

dass bis zu 20 Klassen gewählt werden sollten (vgl. z.B. [28], Bradtke). Somit befindet

sich diese Einteilung an der Obergrenze, was auf Grund der Größe des Datenumfanges

legitimiert ist. Bei der Anwendung des χ2 - Homogenitätstests ist darauf zu achten, dass

mindestens 80% der Erwartungswerte (Eij) in der Kontingenztafel ≥ 5 sein sollten sowie,

dass die Erwartungswerte nicht ≤ 1 sind (vgl. [22], Bortz u. a., [139], Sachs u. Hedde-

rich). Der χ2 - Homogenitätstest setzt keine bestimmte zugrundeliegende Verteilung, wie

z.B. eine Normalverteilung, voraus. Er ist demnach ein verteilungsfreier Test. Wie in den

gezeigten Histogrammen schon rein optisch ersichtlich ist, kann eine Normalverteilung

auch nicht unterstellt werden.

Die Nullhypothese für den Homogenitätstest lautet: H0 : F1(x1) = F2(x2).

Sie besagt, dass die unabhängigen Stichproben X1 und X2 identisch verteilt sind. Der

tabellarische χ2 Wert (χ2(1−α, df = 20)) beträgt 31.410. Ist dieser Wert kleiner als die

zu berechnenden Prüfgröße, so muss die Nullhypothese verworfen werden.

Verglichen wurde die Siedlungsverteilung von Deutschland mit den Verteilungen seiner

Nachbarn Polen und Frankreich. Des Weiteren fand ein Vergleich zwischen Frankreich

als ein westliches und Rumänien als ein östliches Land sowie von Schweden und Spanien

als ein nördliches und ein südlich gelegenes europäischen Land statt.

Die berechneten empirischen χ2 Werte sind in Tabelle 3.3 aufgeführt.

55


Tabelle 3.3: Empirische χ2 Werte für LändervergleicheDeutschland-Polen χ2 = 164.82Deutschland-Frankreich χ2 = 1095.28Frankreich-Rumänien χ2 = 3986.20Schweden-Spanien χ2 = 271.49

Wie aus den Werten ersichtlich ist, muss die Nullhypothese verworfen werden (für den

Vergleichswert wurde α = 0.05 festgesetzt).

Der χ2 - Homogenitätstest für die betrachteten Länder zeigt, dass die Siedlungsflächen

nicht aus einer gemeinsamen Verteilung stammen. Demnach kann davon ausgegangen

werden, dass sich die Siedlungsstrukturen voneinander unterscheiden. Da immer noch

die Möglichkeit besteht, dass die Verteilungen gleiche mittlere Siedlungsgrößen besitzen,

wird im nächsten Schritt geprüft, ob sich die Mittelwerte der gegebenen Verteilungen

signifikant unterscheiden.

Um zu prüfen, ob sich die Mittelwerte gegebener Verteilungen signifikant unterscheiden,

kann bei Nichtvorliegen einer Normalverteilung der Wilcoxon-Rangsummentest benutzt

werden. Hierzu werden die Variablenausprägungen geordnet und ihnen werden Ränge zu-

gewiesen. Bei großen Stichproben bzw. auftretenden Bindungen können im allgemeinen

keine exakten p-Werte aus der Wilcoxon Verteilung angegeben werden. Da bei großen

Stichproben näherungweise Normalverteilung (Rangsummen) unterstellt wird, werden

die p-Werte als Quantile der Standardnormalverteilung bestimmt. Hierzu werden z-

Werte aus den Rangsummen sowie aus der Information über die Stichprobenumfänge

bestimmt (vgl. z.B. [139], Sachs u. Hedderich). Exakte Verfahren stellt die Bibliothek ex-

actRankTests bzw. die Bibliothek coin zur Verfügung (vgl. [139], Sachs u. Hedderich).

Die Nullhypothese für den Wilcoxon-Rangsummentest lautet: H0 : a = 0, die Alterna-

tivhypothese H1 : a <> 0 (zweiseitige Hypothese, G(x) = F (x − a)). Die berechneten

p-Werte sind nachfolgend aufgeführt (vgl. Tabelle 3.4).

Tabelle 3.4: Test auf Gleichheit der Mittelwerte (Wilcoxon-Test)Deutschland-Polen p-Wert= 2.305e-13Deutschland-Frankreich p-Wert=2.2e-16Frankreich-Rumänien p-Wert= 2.2e-16Schweden-Spanien p-Wert=2.2e-16wilcox.exact(vektor1,vektor2,alternative=“two.side “,pairs=FALSE)

56


Wie aus den Werten ersichtlich ist, muss die Nullhypothese verworfen werden. Es kann

also davon ausgegangen werden, dass die betrachteten Verteilungen keiner gemeinsamen

Verteilung entstammen und auch unterschiedliche mittlere Siedlungsgrößen aufweisen.

Da die p-Werte des Wilcoxon-Rangsummentests extrem klein sind, kann zur Überprü-

fung der mittleren Siedlungsgröße zusätzlich der Mediantest herangezogen werden. Zu

beachten ist dabei, dass dieser Test im Allgemeinen eine geringere Power49 als auch eine

geringere relative Effizienz als vergleichbare Tests aufweist (vgl. [59], Freidlin u. Gast-

wirth). Für den Mediantest werden die zu untersuchenden Daten der beiden Verteilungen

zusammengenommen und der gemeinsame Median bestimmt. Anschließend wird die An-

zahl der Werte bestimmt, für die die beiden zu vergleichenden Verteilungen kleiner bzw.

größer als der gemeinsame Median sind. Diese Daten werden in eine 2×2 Matrix geschrie-

ben, so dass die übliche Analyse einer Vierfeldertafel durchgeführt werden kann. Die

Prüfgröße berechnet sich nach der folgenden Formel χ = (a−Ea)2

Ea+ b−Eb)

2

Eb

+ c−Ec)2

Ec+ d−Ed)2

Ed

.

Die Nullhypothese für den Mediantest lautet: µ1 = µ2

Für df=1 und α = 0.05 beträgt χ2 = 3.841. Ist die berechnete Prüfgröße größer als der

tabellarische kritische Wert, so wird die Nullhypothese abgelehnt.

Tabelle 3.5: Test auf Gleichheit der Mittelwerte (Median-Test)Deutschland-Polen χ2=20.772 p-Wert= 5.173e-06Deutschland-Frankreich χ2 = 568.6317 p-Wert< 2.2e-16Frankreich-Rumänien χ2 = 2644.545 p-Wert< 2.2e-16Schweden-Spanien χ2 = 132.168 p-Wert< 2.2e-16

chisq.test(Vierfeldertafel,correct=FALSE)

Wie in Tabelle 3.5 dargestellt ist, kann die Nullhypothese für die betrachteten Länder

abgelehnt werden. Der Mediantest zeigt demnach auch signifikante Unterschiede der

mittleren Siedlungsgrößen im Paarvergleich.

Da bisher lediglich die Mittelwerte verglichen wurden, werden im nächsten Schritt die

Streuungen der betrachteten Siedlungsflächen untersucht. Die Gleichheit von Varianzen

(Homoskedastizität) kann mittels des Levene-Tests geprüft werden. Die Nullhypothese

für den Levene-Test lautet: σ21 = σ2

2.

49Die Power wird durch folgende Formel beschrieben: Power = 1 − β (β ist der Fehler 2. Art, also dieWahrscheinlichkeit H0 nicht abzulehnen, obwohl H1 richtig ist.)

57


Tabelle 3.6: Test auf Gleichheit der Varianzen (Levene-Test)Deutschland-Polen L=5.1646 p − Wert = 0.02306Deutschland-Frankreich L=12.6592 p − Wert = 0.0003741Frankreich-Rumänien L=13.6531 p − Wert = 0.0002202Schweden-Spanien L=7.7429 p − Wert = 0.005404

levene.test(vektor,group = gruppierung)

Auch hier zeigen die Ergebnisse, dass die Nullhypothese bei Unterstellung eines 5%

Signifikanzniveaus jeweils verworfen werden muss (vgl. Tabelle 3.6).

Die in diesem Unterkapitel durchgeführten Tests weisen darauf hin, dass in den betrach-

teten Ländern unterschiedliche Siedlungsstrukturen zu Grunde liegen. Neben weiteren

Einflussfaktoren könnte die Siedlungsstruktur demnach einen Erklärungswert für natio-

nal unterschiedliche Energieverbräuche liefern.

3.6.3 Gemeinsame Auswertung der Continous und Discontinous

Klassifikationen

Nach der Untersuchung der Siedlungsverteilung wird in diesem Kapitel die urbane Form

betrachtet. Als Datengrundlage dienen wiederum die Corine Land Cover Siedlungsda-

ten. Bei der Formbetrachtung wird insbesondere die Kompaktheit von Siedlungen ana-

lysiert. Die Beziehung von Form und Energie wurde in einem vorangegangenen Kapitel

näher beschrieben (vgl. Abschnitte 2.2, 2.3 und 2.4). In diesem Abschnitt werden für

die Formbetrachtung alle Siedlungen berücksichtigt, bevor im darauf folgenden Kapitel

3.6.4 nur die dichter bebauten Siedlungen untersucht werden.

In Abbildung 3.15 sind für die europäischen Siedlungen die Flächeninhalte gegen die

Siedlungsumfänge aufgetragen. Dies ist eine Möglichkeit, um die Kompaktheit von Sied-

lungen zu erfassen. Die einzelnen Siedlungen werden in der Abbildung mit dem Verhältnis

von Flächeninhalt zu Umfang von geometrischen Figuren wie Kreis, Quadrat oder der

Koch’schen Schneeflocke verglichen.

58


Abbildung 3.15: Verhältnis von Umfang und Fläche europäischer Siedlungen

(a) Alle Siedlungen

0e+00 1e+08 2e+08 3e+08 4e+08 5e+08 6e+08

050

0000

1500

000

2500

000

3500

000

Fläche

Um

fang

Paris

Brüssel

Berlin

Leuven−Mechelen−Aarschot

Liege−Verviers

Hasselt−Sint−Truiden

(b) Siedlungsauswahl

0.0e+00 5.0e+07 1.0e+08 1.5e+08 2.0e+08

0e+

001e

+05

2e+

053e

+05

4e+

055e

+05

6e+

057e

+05

Fläche

Um

fang

StädteKreisKoch2Koch3QuadratPentagramm

Die rechte Darstellung unterscheidet sich von der linken nur insofern, als dass die ex-

tremsten Ausreißer hinsichtlich des Flächeninhaltes entfernt wurden. Sie zeigt damit

einen Ausschnitt der linken Abbildung. Da sehr viele Siedlungen existieren, verzerrt die

Grafik die Daten. Es ist jedoch ersichtlich, dass es durchaus Siedlungen bzw. Siedlungs-

verflechtungen gibt, die ein viel extremeres Verhältnis vom Umfang zur Fläche haben,

als die angegebenen Vergleichsformen. Der Kreis wird dabei als kompakteste Form an-

gesehen. Die Bezeichnung Koch steht dabei für das bekannte Fraktal der Kochschen

Schneeflocke (Koch 3 bezeichnet die “dritte“ Schneeflocke - diese ist in Abbildung 3.16

mit A2 bezeichnet). Abbildung 3.16 veranschaulicht die Schneeflocke in ihren ersten

Iterationsschritten.

Abbildung 3.16: Entwicklungsprozess der Kochschen Schneeflocke

A0

A1 A2 A3

Iteration process

Ein weiteres Fraktal, das zur Beschreibung von Siedlungen herangezogen werden kann, ist

das Teragon50 (vgl. Abb. 3.17). In Abbildung 3.17 ist die Generierung der Teragonkurve

50Teragon, auch Monsterkurve, wird allgemein auch für andere Kurven verwendet (z.B. Peano-Kurve).

59


veranschaulicht. Wenn als Initialform anstatt einer Strecke z.B. ein Quadrat verwendet

wird, so ist die sich ergebende Teragonkurve auch geschlossen. Mit jeder Iteration entste-

hen feinere Kurvenausbuchtungen. Solche Ausbuchtungen können bei Siedlungen unter

verschiedenen Maßstäben beobachtet werden (vgl. [58], Frankhauser). Dieses Teragon

hat die Eigenschaft, dass der eingeschlossene Flächeninhalt konstant bleibt und sich nur

die Kurvenlänge ändert. Es kann mittels eines Lindenmayer-Systems (L-System) durch

die Anwendung einer einzelnen Produktionsregel erzeugt werden. Mit fortschreitender

Iteration steigt der mittlere Abstand zum Zentrum weniger an, als der mittlere Ab-

stand zum Stadtrand sinkt. Somit wird ein Grund in der Zersiedlung darin gesehen,

dass die schlechtere Erreichbarkeit des Zentrums durch eine viel bessere Erreichbarkeit

des Hinterlandes überkompensiert wird (vgl. [58], Frankhauser).

Abbildung 3.17: Entwicklungsprozess eines Teragons

��

��

��

��

��

Bei der Auswertung der europäischen Siedlungen zeigte sich, dass fast 38% der Sied-

lungen bzw. Siedlungsverflechtungen ein extremeres Verhältnis vom Umfang zur Fläche

aufweisen als ein Teragon 1ter Iteration. Nahezu 1,8% sind sogar fraktaler als ein Tera-

gon 2ter Iteration. Sehr wenige Siedlungsverflechtungen übersteigen sogar das Verhältnis

eines Teragons 3ter bzw. sogar 4ter Iteration.

In der nachfolgenden Abbildung ist die durchschnittliche Größe 51 der Siedlungsflächen

aller untersuchten europäischen Länder aufsteigend angegeben52 (vgl. Abb. 3.18).

51Durchschnitt bezeichnet hierbei das arithmetische Mittel und nicht etwa den Median.52Die Bezeichnung Bosnia steht für Bosnien und Herzegowina. Mazedonien ist gleichbedeutend mit

Ehemalige Jugoslawische Republik Mazedonien.

60


Abbildung 3.18: Durschschnittliche Flächengröße aller Siedlungen

�

��

�

��

��

��

�

��

�

��

��

��

��

�� !

"�� #

$� ��

��

��

%&��

��'��

(��'

)��'

*�&��

)��!��

��

$�&��

*��!��

(��#

+��

��#

�,��

��

-��

.��!��#

��'

(��'

�#,��&

�/'�

0��

1��/

�#

��

��&��

1��'&

��!��

*�!��

��

��

Belgien weist die höchste durchschnittliche Siedlungsgröße auf, was durch die Verflech-

tung und Zersiedlung großer Gebiete zu erklären ist. Die Siedlungsverflechtung spiegelt

sich auch in den Abbildungen 3.19 und 3.20 wieder. In Abbildung 3.19 ist die mittlere

fraktale Dimension bezogen auf alle Siedlungen pro Land angegeben.

Abbildung 3.19: Mittlere fraktale Dimension aller Siedlungsflächen

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

!��

"��

#!� ��

$��

%�&�

'��

��(�

" �&��

"�)�

%��

*��

+ )��

"(��

,��

"� ��

#� �

-��

�.�!�

/�!�

%�0��)��

+��

,� ��

��

" �&��

%��!��

/��

#� ��

��

��

��

��

Die prinzipielle Bedeutung der fraktalen Geometrie auch für die Geographie wurde be-

reits 1983 von Arlinghaus betont (vgl. [4], Arlinghaus). Mit Hilfe der Fraktalität lassen

sich Aussagen darüber ableiten, inwieweit städtebauliche Planung einen Einfluss auf

Siedlungsformen hat (vgl. [58], Frankhauser). So findet beispielsweise das Konzept der

Grüngürtel in Großbritannien verstärkt Anwendung um Zersiedlung entgegen zu wirken.

Mit Hilfe der fraktalen Dimension konnte Frankhauser jedoch Zersiedlung jenseits der

Grüngürtel nachweisen(vgl. [58], Frankhauser).

61


Die fraktale Dimension bewegt sich für die meisten der untersuchten europäischen Länder

im Bereich von 1.28 bis 1.32. Je höher dabei die fraktale Dimension ist, desto weniger

kompakt sind die Siedlungsbegrenzungen. Um eine räumliche Vorstellung zu ermögli-

chen, sind die fraktalen Dimensionen der Siedlungen beispielhaft für die Gebiete Irland,

Sizilien, Finnland und die Türkei im Anhang mit Hilfe von Karten dargestellt (vgl. S.

171 ff.). Für Irland ist die Verteilung der Siedlungskompaktheit optisch nicht eindeutig

einzuordnen. Im Fall von Sizilien sind vor allem die Küstengebiete von stärkerer Zer-

siedlung betroffen. Der rein optische Vergleich zwischen den Karten von Finnland und

der Türkei lässt darauf schließen, dass die türkischen Siedlungen im Allgemeinen weni-

ger zersiedelt sind als die finnischen. Für genauere Analysen der Zersiedlung müssten

Methoden der Statistik/Geostatistik zum Einsatz kommen. Darüber hinaus sollten die

Messungen der Kompaktheit, wie angesprochen, mit Informationen wie der jeweiligen

Planungspraxis betrachtet werden. Dieses war jedoch im Rahmen dieser Arbeit nicht

möglich und bleibt somit weiterer Forschung überlassen. Die Interpretation, warum die

Siedlungen der Türkei und Finnland hinsichtlich ihrer fraktalen Dimension optisch deut-

lich voneinander abweichen, bleibt somit im Rahmen dieser Arbeit offen. Eine mögliche

Ursache könnten die Einstrahlungsverhältnisse in den jeweiligen Ländern sein. So könnte

gewollte Verschattung ein Grund für die kompaktere Bauweise in der Türkei darstellen.

In Finnland hingegen dürfte auf Grund seiner nördlichen Lage das Interesse bestehen,

weiterer Verdunklung durch Verschattung entgegen zu wirken.

Die Darstellung der Kompaktheit europäischer Siedlungen durch Nutzung des ShapeIn-

dexes ist in Abbildung 3.20 dargestellt.

Abbildung 3.20: Durchschnittliche Kompaktheit aller Siedlungsflächen

�

��

�

��

�

��

�

��

�

��

��

��

��

��

��

��

!"��

��

#�"��

$�"��

$�"%��

&� ��

��%��

�'��

(�)��

!��*��

$�� )��

��

+��

�"��

,��"��

��)��

-��

�* �

��%��

(��"��

.� ��

,��

��

+��

��"��

$��"��"��

��

��"��

��

��

62


Die kompaktesten Siedlungen sind, wie auch durch die Analyse der fraktalen Dimensi-

on bestimmt, in der Türkei und in Bulgarien zu finden. Die größte Zersiedlung weist

Belgien auf. Der Vergleich der beiden Kompaktheitsindikatoren ShapeIndex und frak-

tale Dimension zeigt, dass acht Länder in Bezug auf die Indikatoren den gleichen Rang

haben. In 60% der Fälle treten weniger als 3 Rangdifferenzen auf. Der absolut größte

Rangunterschied von neun Plätzen ist für die Tschechoslowakei zu verzeichnen. Die süd-

europäischen Länder Portugal, Spanien und Italien besitzen bezüglich der Indikatoren

ähnliche Ränge. Eine geographische Häufung der Rangunterschiede konnte jedoch nicht

festgestellt werden. So beträgt die Rangdifferenz des nordeuropäischen Landes Däne-

mark z.B. einen Rang, wohingegen sich beide Indikatoren für Schweden um sechs Ränge

unterscheiden.

3.6.4 Auswertung der Continous Urban Fabric

Im vorherigen Abschnitt wurden die Siedlungen hinsichtlich ihrer Bebauungsdichte nicht

unterteilt. Da diese Zusammenfassung einen prinzipiellen Informationsverlust darstellt,

werden in diesem Abschnitt die dichter bebauten Siedlungen separat betrachtet. Es

folgen die zu den vorangegangen Abbildungen äquivalenten Darstellungen, also Abbil-

dungen zur mittleren Siedlungsgröße, zur mittleren fraktalen Dimension und zur Kom-

paktheit in Form des ShapeIndex (vgl. Abbildungen 3.21 3.22 und 3.23).

Abbildung 3.21: Durschschnittliche Flächengröße dicht bebauter Siedlungen

��

�

��

��

��

��

�

��

�

��

��

��

��

��

��

� !��

"��

��

��

#��$��

��

%��

��

&��'

�('�

�)�

��

�!��

*��

+��

,��$��

-��(

�

#��

'��

,��'

��.

��$

��

&��

��$��

*��

/��$��

��$��

��

��

��

Die Continous Flächen wurden für die Länder nur unzureichend erfasst, so dass ihre

63


Aussagekraft begrenzt ist. So besitzen Finnland, Island, Lichtenstein, Malta, die Nie-

derlande und Rumänien nach den CLC Daten keine Continous Flächen. Dies ist mit

Sicherheit realitätsfern. In Albanien existieren nur 3 dichter bebaute Flächen, wobei die

Hauptstadt Tirana nicht dazu gehört. Für Mazedonien und Montenegro wird jeweils

nur eine Continous Fläche ausgewiesen. Demnach können maximal die großen Länder

miteinander verglichen werden. Die durchschnittliche Größe der Continous Flächen der

Türkei beträgt als Ausreißer mehr als 6km2.

In Abbildung 3.22 ist die mittlere fraktale Dimension der dichter bebauten Siedlungsflä-

chen für einzelne europäische Länder abgebildet. Mittlere Dimension bedeutet, dass der

arithmetische Mittelwert über alle betreffenden Siedlungen berechnet wurde.

Abbildung 3.22: Mittlere fraktale Dimension dicht bebauter Siedlungsflächen

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

� �

!��

"� �

#��

��

$��

��

��

%� �!

&�

��

%��

'� �

( �)��

(*��

��

�

��)�

&�*�

�

&+�

,

-�.

�

(.�!��

'� �!

��,

��

( �)��

��

/��

(��

�

/ ��

��

��

Insgesamt ist ersichtlich, dass die fraktalen Dimensionen geringer als bei der Betrachtung

der zusammengefassten Siedlungen ausfallen (vgl. Abb. 3.19). Dies kann unter anderem

darauf zurückgeführt werden, dass historisch ältere Siedlungskerne häufig dichter be-

baute Fläche sind. Eine Ausnahme stellt die Türkei dar, da hier die fraktale Dimension

dichter bebauter Siedlungen höher ist als im Vergleichsfall. Die fraktale Dimension der

dichter bebauten Siedlungsflächen Deutschlands und Frankreichs ist anders als bei der

Nichtunterscheidung der Bebauungsdichte nahezu gleich (vgl. Abb. 3.19).

In Anlehnung an das vorherige Kapitel wird in der nachfolgenden Abbildung 3.23 die

Kompaktheit von Siedlungen mit Hilfe des ShapeIndexes erfasst.

64


Abbildung 3.23: Kompaktheit dicht bebauter Siedlungsflächen

�

��

�

��

�

��

�

��

�

��

��

��

��

��

��

��

!��"

#$��

%��

&��

��'��

�$�'�"��

��

��

#��

#�$��

��

��$�

(�$��

(��$

)��

�* �

��$��

+��*��

�$�'��

,��"�

&��

-��

��

-$��

��

Im Vergleich zu Abbildung 3.20, welche die ShapeIndices ohne Unterscheidung der Sied-

lungsdichte darstellt, ergeben sich deutliche Unterschiede. So sind die dicht bebauten

Siedlungen der Türkei im europäischen Vergleich als sehr wenig kompakt anzusehen,

wohingegen bei der Betrachtung ohne Unterscheidung der Bebauungsdichte die größte

Kompaktheit für türkische Siedlungen bestimmt wurde. Im Gegensatz dazu sind die

dicht bebauten Siedlungen in Frankreich sehr kompakt.

Im folgenden Abschnitt wird kurz auf die Ranggröße von Siedlungen eingegangen. Es

wurde dabei der Versuch unternommen CLC Daten für die Ranggrößenregel zu nutzen.

3.6.5 Ranggrößenregel

Die Ranggrößenregel besagt, dass die Größe einer Stadt von Rang i durch den funktiona-

len Zusammenhang Si = ki

geschätzt werden kann, wobei k eine Konstante ist. Demnach

ist z.B. die zweitgrößte Stadt halb so groß wie die größte Stadt eines Landes. Als Größe

der Stadt wird entsprechend Zipfs law die Einwohnerzahl herangezogen (Zipfs law von

1949 besagt Pr = P1

r, wobei Pr die Einwohnerzahl der r-größten Stadt ist).

Da bei den vorliegenden Daten nur geometrische Aspekte eine Rolle spielen, wurde als

Maß für die Größe einer Stadt in Abwandlung zu Zipf der Flächeninhalt herangezogen.

Die Ranggrößenregel wurde beispielhaft für die im letzten Abschnitt betrachteten Län-

der (Deutschland, Polen, Frankreich, Rumänien, Schweden, Spanien) untersucht. Dabei

65


wurden die jeweils 20 größten Städte betrachtet. Die hierfür zu Grunde liegenden Daten

sind auf Seite 170 im Anhang zu finden. In die Diagramme wurde eine an die Daten

gut angepasste Potenzfunktion (f(x) = α ∗xβ) hineingelegt. Das Bestimmtheitsmaß der

Trendfunktion wurde in Excel mittels eines transformierten Regressionsmodells berech-

net53. Im Anschluss wurde α = 1 gesetzt, so dass nur noch β optimiert werden muss

(diese resultierende Trendfunktion hat eine ähnlichere formale Form zur speziellen Hy-

perbel f(x) = 1x). Die Optimierung wählt β so, dass das Bestimmtheitsmaß (berechnet

über logarithmierte Trendfunktion) maximal wird. Auf Grund der Einfachheit der Funk-

tion (streng monoton) ist ein optimales β zu erwarten. Dieser Wert wurde durch den

Excel-Solver bestimmt. Die β Werte mit korespondierenden Bestimmtheitsmaßen sind

nachfolgend aufgelistet.

Tabelle 3.7: Schätzwerte für Trendfunktion (Ranggrößen)Deutschland β = −0.803 R2 = 0.950Polen β = −0.427 R2 = 0.925Frankreich β = −1.01 R2 = 0.920Rumänien β = −0.759 R2 = 0.728Schweden β = −0.456 R2 = 0.968Spanien β = −0.820 R2 = 0.930

Die Größen von Siedlungen (Einwohner) können auch durch andere Herangehensweisen

geschätzt werden (vgl. z.B. [57], Fonseca). Als Modell kann die mathematische Formu-

lierung einer logaritmischen Spirale dienen (vgl. Abb. 3.24).

r = a ∗ eθ∗cot(α)

Fonseca untersuchte dies anhand amerikanischer Städte. Im Folgenden wurde diese Her-

angehensweise nur für die größten Siedlungen in Schweden auf Basis der CORINE Daten

nachvollzogen. Anstelle der Populationen wurden Siedlungsgrößen betrachtet.

53Quelle: http://office.microsoft.com/de-de/help/gleichungen-zum-berechnen-von-trendlinien-HP005207807.aspx?CTT=3

66


Abbildung 3.24: Zusammenhang zwischen Ranggrößen und logarithmischen Spiralen

20km²

40km²

90°

270°

180° 0°

60km²

1. Rang

2. Rang

3. Rang

5. Rang

Im 90 Grad Abstand befinden sich die Siedlungen mit einer Ranggröße, die aufsteigend

aus der Fibonacci-Folge (beginnend bei f2) bestimmt wurde54.

Theta durchläuft den gewünschten Winkelbereich. Die Konstante a wurde so bestimmt,

dass die Spirale die größte Siedlung genau trifft. Alpha entspricht einem festen Winkel

(in diesem Fall ca. 80 Grad). Ein optimales55 Alpha kann z.B. mit dem Excel Solver

bestimmt werden.

Tabelle 3.8: Flächenschätzwerte durch logarithmische SpiraleSiedlungsrang CORINE-Wert Spirale-Wert1 55.17 55.172 46.76 44.023 36.14 35.195 27.24 28.01

54Fibonacci-Folge: f0 = 0, f1 = 1, f2 = 1, f3 = 2, f4 = 3, f5 = 5, f6 = 8, fn = fn−1 + fn−2

55Optimal bedeutet hier, dass die durch die Spirale bestimmten Werte bestmöglich den gemessenenWerten entsprechen.

67


Es ist erkennbar, dass zumindest diese wenigen Siedlungsgrößen durch das Spiralmodell

gut wiedergegeben werden können. Es sei hier einschränkend noch einmal betont, dass

die Siedlungsflächen keinen administrativen Gebietseinheiten entsprechen. Auch lässt

sich anhand dieses einen Beispiels nicht sagen, wie gut Flächengrößen generell der Ran-

größenregel folgen. Angemerkt sei weiterhin, dass Fonseca die Bevölkerung der Städte

mit Hilfe des goldenen Schnittes56 prognostiziert (vgl. [57], Fonseca).

Dieses Kapitel behandelte das Thema urbane Formen in Europa. Es konnte aufgezeigt

werden, dass sich die Siedlungsformen innerhalb der betrachteten europäischen Länder

deutlich voneinander unterscheiden. Wie in Kapitel 2 herausgearbeitet wurde, hat die

Form von Siedlungen einerseits Auswirkungen auf die Möglichkeiten der Energieerzeu-

gung als auch auf die Menge der nachgefragten Energie. Da vielfältige weitere Faktoren,

wie z.B. Kosten, Technologien oder vorherrschende Witterungsbedingungen die Ener-

gieversorgung und -nachfrage beeinflussen, ist die Stärke des Zusammenhangs zwischen

urbaner Form und Energienachfrage nicht trivial zu bestimmen. Die Kopplung einzel-

ner beschriebener Formkenngrößen mit realen Energieverbrauchsdaten bleibt weiteren

Forschungsarbeiten überlassen. Die hier erhobenen Siedlungsdaten liefern eine solide

Grundlage für detaillierte Analysen.

Neben der Untersuchung von Siedlungsformen sind zeitliche Betrachtungen für energeti-

sche Fragestellungen, insbesondere für prognostische Energiebedarfsbestimmungen von

Bedeutung. Dies betrifft den Wärme-, den Elektrizitäts- als auch den Verkehrssektor.

Für die Wärmeversorgung ist im Haushaltsbereich insbesondere wichtig zu wissen, wann

Bewohner zu Hause sind, da bestimmte Innentemperaturen auf Grund von Komfortan-

sprüchen gewünscht werden. Bei der Betrachtung von Elektrizität ist darüber hinaus

interessant, was die Menschen zu welcher Tageszeit tun, da verschiedene Aktivitäten

mit unterschiedlichen Energiebedarfen einhergehen. Im Verkehrssektor ist vor allem von

Bedeutung, wo Menschen ihre Zeit verbringen. In diesem Zusammenhang sind Distan-

zen für die Raumüberwindung zu beachten. Die Kenntnis darüber wo und wie lange

sich Menschen an bestimmten Orten aufhalten, ist z.B. notwendig für die zukünftige

Entwicklung einer Ladeinfrastrukur im Bereich der PKW Elektromobilität. Zusammen-

fassend kann gesagt werden, dass zeitliche Betrachtungen, insbesondere von Tagesab-

läufen, essentiell für vielfältige Fragestellungen im Bereich der Energieversorgung und

Energienachfrage sind. Dem Thema Zeit wird daher der nun folgende zweite Teil dieser

56Der Goldene Schnitt kann auch über die Glieder der Fibonacci-Folge beliebig genau bestimmt werden(Grenzwertbetrachtung).

68


Arbeit gewidmet. Insbesondere die Betrachtung von Tagesaktivitäten durch die Nutzung

vorhandener Zeitbudgetdaten wird in diesem Kapitel thematisiert.

69

4 Die Komponente Zeit für die

Modellierung von Aktivitäten

In diesem Kapitel wird die Thematik Zeit und dabei insbesondere die Zeitnutzung be-

trachtet. Alle von Menschen ausgeführten Aktivitäten benötigen Zeit und können zu

verschiedenen Zeiten stattfinden. Die Aktivitäten der Menschen beeinflussen wiederum

den Energiebedarf. Das vorliegende Kapitel stellt somit grundlegende Informationen für

die Simulation urbaner Aktivitäten, die in Kapitel 5.4 beschrieben wird, bereit. Dazu ist

dieses Kapitel in drei Unterkapitel gegliedert. In Unterkapitel 4.1 wird auf die Thematik

Zeitgeographie mit inhärenten Konzepten eingegangen. Sie bildet den Rahmen für die

raum-zeitliche Analyse von Aktivitäten. Darauf folgt in Unterkapitel 4.2 eine Beschrei-

bung der Zusammenhänge von Stadt und Zeit. Unterkapitel 4.3 ist der Nutzung von

Zeitbudgetdaten gewidmet. Dabei werden Daten der in Deutschland erhobenen Zeit-

budgetstudie 2001/2002 ausgewertet.

4.1 Zeitgeographie

Mit der Etablierung der eigenständigen Forschungsrichtung Zeitgeographie, die sich mit

den räumlichen und zeitlichen Bedingungen des Handelns von Individuen beschäftigt,

bekam die Dimension Zeit in den siebziger Jahren einen höheren Stellenwert innerhalb

der Geographie. Beachtung fand die Dimension Zeit im Hinblick auf den Kontext die-

ser Arbeit jedoch schon vor der eigentlichen Herausbildung der Zeitgeographie (z.B. in

den Arbeiten der Chicagoer Schule). Stadtentwicklungen wurden unter anderem durch

den Zeitaspekt erklärt. Im Landnutzungsringmodell von J.G. Kohl (1841) wohnen die

reicheren Bevölkerungsschichten im Stadtzentrum, wohingegen im Modell von Burgess

(1924) sich die wohlhabendere Bevölkerung am Stadtrand ansiedelt. Die bevorzugte An-

siedlung am Stadtrand wird vor allem durch die zunehmende Mobilität, verbunden mit

70

Zeitgeographie

der Technologie Straßenbahn sowie der Zunahme von Automobilen und somit durch

den Faktor Zeit erklärt. Als Begründer der Zeitgeographie wird Hägerstrand angese-

hen, der in seiner Dissertation 1953 den Diffusionsprozess von Innovationen in Raum

und Zeit in Mittelschweden beschreibt. Das die Zeitgeographie auch heute ein relvantes

Forschungsfeld ist, spiegelt sich z.B. bei Wegener wieder (vgl. [173], Wegener). Wegener

zeigt, dass derzeitige Landnutzungsmodelle nur unzureichend auf Situationen wie ver-

schwindende fossile Energieträger oder veränderte Klimabedingungen abgestimmt sind.

Im Bereich der Modellierung sieht Wegener daher die Notwendigkeit von Veränderungen

der den Modellen zugrundeliegenden Methodiken. Nach Wegner sind Nachteile heutiger

Modelle unter anderem durch zu viel Extrapolation und zu viel Vertrauen auf bisher be-

obachtetes Verhalten gekennzeichnet. Der Aktionsraum, als Konzept der Zeitgeographie

stellt für Wegener eine Möglichkeit dar, Mobilität unter den Aspekten Klimawandel,

verringerte fossile Energieträger und steigende Kraftstoffpreise abzubilden. Der Begriff

Aktionsraum beschreibt einen Raum, in dem festgelegte Gruppen entsprechend ihren

Bedürfnissen und Wahrnehmungen innerhalb durch Aktionsweiten festgelegten Gren-

zen agieren. In diesem Zusammenhang sollte in zukünftigen Modellen weniger Gewicht

auf vorhandene Möglichkeiten, stattdessen auf existente Beschränkungen gelegt werden

(vgl. [173], Wegener). Beschränkungen und Visualisierungen im Bereich der Zeitgeogra-

phie werden nachfolgend beschrieben.

4.1.1 Raum-Zeit-Beschränkungen

Der Zeitgeographie liegen generelle Annahmen bzw. Beschränkungen zu Grunde, die Hä-

gerstrand 1975 formulierte (vgl. [98], Kramer). Eine dieser Annahmen ist, dass der Wech-

sel zwischen zwei Orten Zeit (ver)braucht. Neben diesen allgemeingültigen Annahmen

werden in der Zeitgeographie 3 Klassen von Beschränkungen (constraints) unterschieden,

die Aktivitäten in den verschiedenen Lebensbereichen beeinflussen.

• authority constraints

• capability constraints

• coupling constraints

Autoritätsbeschränkungen stellen Regeln und Gesetze, wie z.B. Ladenöffnungszeiten dar.

Capabilities beschreiben die Möglichkeiten des Menschen. Diese sind durch die Grund-

bedürfnisbefriedigung, wie z.B. Essen und Schlafen, eingeschränkt. Kopplungsbeschrän-

71

Zeitgeographie

kungen ergeben sich aus den Verpflichtungen gegenüber anderen. So ist der Schüler

beispielsweise während gewisser Zeiten an den Ort Schule gebunden. Miller greift mit

seinem Artikel “What about people in Geographic Information Science? “57 die Ideen Hä-

gerstrands auf und beschreibt deren Bedeutung angewendet auf die heutige Zeit (vgl.

[112], Miller). Demnach ist eine zunehmende Fragmentierung zu beobachten, in der sich

Menschen und Aktivitäten beispielsweise durch mobile Arbeitsplätze von Orten lösen.

“The increasing fragmentation of activity from space means that the assumption of strong

structural correspondence between spatial and functional relationships at the basis of

classical transportation and urban theory is increasingly untenable (Couclelis and Ge-

tis, 2000). Because of its place-based orientation, traditional transportation and urban

theory is ill equipped to address many of the key questions regarding emerging lifestyles,

urban form and differential access to activities and resources among social groups in the

information age.“ (vgl. [112], Miller, S.218-219). Dies zeigt die Bedeutung von neuen

bzw. erweiterten Forschungsanalyseansätzen.

4.1.2 Konzept und Visualisierung

Alle Individuen befinden sich zu jeder Zeit an einem Ort. In Abhängigkeit der Zeit

können den Individuen demnach räumliche Koordinaten zugeordnet werden. Aufgrund

von Zeitbeschränkungen kann ein Individuum jedoch nur bestimmte Räume erreichen.

Die potentiell erreichbaren Aktionsräume bzw. konkret aufgesuchte Räume (z.B. er-

fasst durch GPS-Track Daten) können dabei folgendermaßen erfasst und visualisiert

werden:

• Raum-Zeit-Prismen

• Aktionsräume (Potential Path Areas - PPAs)

• Zeitpfade

Aktionsräume sind Projektionen der “Prismen“ in die Ebene, also die Gebiete, die poten-

tiell zu einem bestimmten Zeitpunkt erreichbar sind. Aktionsräume sind somit abstra-

hiert Kreise. In der Realität nehmen die Aktionsräume diffuse Formen an und können

durch Chronomaps veranschaulicht werden. Zeitpfade sind eine geographische Visuali-

sierung von konkret aufgesuchten Räumen. Sie stellen die räumliche Lageveränderung

57Der Titel ist eine Homage an Hägerstrand. Dieser veröffentlichte seine Ideen u.a. unter dem Titel“What about people in regional science“.

72

Zeitgeographie

im Laufe der Zeit dar, indem die Höhenlage im Raum (z-Koordinaten) durch die Zeit

ersetzt wird. Die Anschaulichkeit dieser Visualisierung trug zur schnellen Verbreitung

des zeitgeographischen Ansatzes bei (vgl. [98], Kramer).

Abbildung 4.1: Visualisierung von Zeitpfaden

(a) Zeitpfad Schema (b) Zeitpfade im GIS

Quelle : [100], Kwan, 2004

Wie in Abbildung 4.1a ersichtlich ist, kann das Aufsuchen eines Ortes durch Personen

(Co-location in space) aber z.B. auch ein “Treffen“ von Personen (Co-location in time and

space) visualisiert werden. Abbildung 4.1b, auch als Space Time Aquarium bezeichnet,

zeigt, dass diese Visualisierungsform schnell an ihre Grenzen stößt. Eine Auswertung

und Visualisierung von Zeitpfaddaten basiert zumeist auf individuell programmierten

Lösungen und ist somit nicht einfach zu realisieren58.

Zeitpfade wurden z.B. von Pohl für die Analyse von Stadtteilen ausgewertet (vgl. [126], Pohl).

Zeitgeographie wird von Pohl als Bindeglied zwischen Mensch und Raum angesehen. Er

verweist allerdings darauf, dass Motive für das Aufsuchen von Orten in der Zeitgeogra-

phie unberücksichtigt bleiben und neben den Constraints Handlungsoptionen existieren,

die durch sozial-räumliche Rahmenbedingungen beeinflusst werden. Ziel seiner Analy-

sen ist es, raumstrukturelle Disparitäten aufzuzeigen. Mit Hilfe der Aggregation von

Zeitpfaden gelingt die Verbindung vom Individuum hin zur Gesellschaft (Mikro-Makro-

Link) als auch die Verbindung von sozialem Handeln und Raum (Mensch-Raum-Link).

Der Forschungsansatz von Pohl, der auf einem geokodierten Wegedatensatz beruht, lässt

sich durch die Anwendung individuenbasierter Simulation ergänzen. Die Abbildung indi-

58Für ArcGIS 9.3 gibt es eine frei zugängliche Zeitgeographie Erweiterung im Netz, zu finden unterhttp://web.utk.edu/~sshaw/NSF-Project-Website/download.htm

73

Stadt und Zeit

vidueller Handlungen (Aktivitäten) durch Simulationen wird in Kapitel 5 dieser Arbeit

aufgegriffen. Zunächst soll jedoch die von Pohl beschriebene Verbindung von Stadt und

Zeit näher beschrieben werden.

4.2 Stadt und Zeit

„Die Uhr bedeutet Handlungen, Unternehmungen, Bewegungen und Inangriffnahme von

Geschäften: Alles nähmlich, was die Menschen tun, vollbringen sie im Hinblick auf die

Stunden (Artemidor von Dalis - Traumbuch III - 2.Jh. n. Chr.)“ (vgl. [43], Dohrn-

van Rossum, S.28)59. Vor dem 14. Jahrhundert war die Zeiteinteilung der Menschen

hauptsächlich durch zyklisch wiederkehrende Phänomene geprägt60. Danach wandelte

sich die Zeitauffassung61 von einer zyklischen hin zu einer linearen Auffassung von Zeit.

Mit der Einführung von öffentlichen Uhren wurden die Märkte organisatorisch weiter

ausdifferenziert. Dohrn-van Rossum spricht in diesem Zusammenhang von der linearen

kostbaren Zeit des Kaufmanns (vgl. [43], Dohrn-van Rossum).

Der Faktor Zeit hat für die alltäglichen Abläufe eine überragende Bedeutung. Hierbei

ist der Begriff Zeit sehr vielschichtig zu verstehen und wird von verschiedensten Autoren

auch im Plural gebraucht. Nach Helbrecht können mindestens fünf Formen von Zeit, die

sich überlagern, unterschieden werden (vgl. [72], Helbrecht). Die Formen der Zeit nach

Helbrecht sind nachfolgend aufgeführt:

• Uhrzeit • Psychologische Zeit

• Naturzeit • Geschichte

• Gesellschaftliche Zeit

59Das angesprochene Zitat ist prognostisch zu verstehen. Der Begriff Stunde ist der derzeitigen Auffas-sung nicht gleich.

60Zur zyklischen Zeit zählen durch Naturgesetze verursachte wiederkehrende Phänomene, wie beispiels-weise jährliche Überschwemmungen, Gezeiten, der Tag-Nacht-Rhythmus oder die Jahreszeiten. Aberauch Zeiten, wie sie zum Beispiel durch das Kirchenjahr vorgegeben sind.

61Frühe Beschreibungen über das Phänomen Zeit finden sich z.B. in der Bibel (Prediger Kapitel 3)oder auch in den Bekenntnissen des Augustinus (Elftes Buch). Salomo beschreibt, dass alles seineZeit hat. Augustinus erkennt in der Zeit eine Dreiheit. Umschrieben wird diese mit den BegriffenErinnerung, Augenschein und Gegenwart. Des Weiteren widmet er sich dem Wesen und dem Messenvon Zeit und den damit verbundenen Rätseln.

74

Stadt und Zeit

Städte als Motoren der Entwicklung weisen eine hohe Dynamik auf. Dies impliziert

die Bedeutung des Faktors Zeit. Die von Helbrecht beschriebenen Ausprägungen der

Zeit sollten bei Simulationen von Aktivitäten der Individuen Beachtung finden. Die

Uhrzeit ist dabei am leichtesten erfassbar. Sie wird z.B. innerhalb von Zeitbudgetstudien

erhoben. Zur Naturzeit zählen z.B. die Jahreszeiten, aber auch der Wechsel von Tag und

Nacht, der durch die Zeiten von Sonnenauf- und untergängen bestimmt ist. Neben dieser

externen Naturzeit gibt es auch biologische Zeitrhythmen, die endogen bestimmt und

individuell verschieden sind. Die Unterscheidung von Tag und Nacht wird durch die

Bestimmung von Sonnenauf- und untergangszeiten in der in dieser Arbeit beschriebenen

Simulation berücksichtigt (vgl. Abschnitt 5.4.7.3).

Unter gesellschaftliche Zeiten fallen z.B. Urlaubs- oder Schulzeiten. Diese Zeiten können

sich hinsichtlich ihrer Dauer und Verteilung stark unterscheiden. Des Weiteren fallen

beispielsweise Ladenöffnungszeiten hierunter. Diese sind implizit in die Simulation ein-

gebunden, so dass die Agenten z.B. nicht zu jeder Tageszeit einkaufen können. An dieser

Stelle kann das Modell angepasst werden, so dass z.B. verschiedene Ladenöffnungszeiten

simuliert werden können.

Die psychologische Zeit spiegelt die individuelle Zeiterfahrung wider. Zehn Minuten sind

nicht gleich zehn Minuten. Die Zeitwahrnehmung hängt davon ab, wie diese Zeit ver-

bracht und interpretiert wird. Langweiliges kann von Kurzweiligem unterschieden wer-

den. Die psychologische Zeit ist nicht messbar. Wegen der schweren Erfassbarkeit wird

sie in der Modellierung nicht weiter berücksichtigt. Es ist jedoch klar, dass die psy-

chologische Zeitauffassung eine aus Erfahrung resultierende Erwartungshaltung erzeugt.

Demnach beeinflusst die psychologische Zeit die Gestaltung individueller Tagesabläufe,

da bestimmte Aktivitäten aufgrund der Erwartungshaltung bevorzugt oder auch gar

nicht ausgeführt werden.

Die Geschichte umfasst von den bisher genannten Zeiten die längsten Zeitabschnitte.

Sie kann von einigen Jahren bis hin zu Jahrhunderten reichen. Zieht man den Begriff

Geschichte auch für kurze Zeithorizonte heran, so besitzt jeder Mensch seine eigene

individuelle Geschichte (Biographie). Hier gibt es Überschneidungen zum psychologi-

schen Zeitbegriff. Wie die psychologische Zeitauffassung, so hat auch die individuelle

Geschichte, dass heißt die über Jahre gesammelten Erfahrungen mit Zeit, Auswirkung

auf zukünftige Entscheidungen. Umfassendere Zeithorizonte, die über die menschliche

Lebenszeit hinausgehen, hinterlassen ihre Wirkung auch in den Städten. So lässt sich

städtische Architekur nach Epochen (z.B. Gotik, Renaissance,. . . ) unterscheiden. Neben

75

Zeitverwendung

diesen physischen Hinterlassenschaften der Zeit werden jedoch auch Traditionen, Sitten,

Gebräuche oder Werte weitergegeben. Somit hat auch Geschichte als der umfassendste

der Zeitbegriffe seinen Einfluss auf das Leben der Gegenwart. Eberling weißt explizit

darauf hin, dass jede Gesellschaft ihre Zeitstrukturen, aber auch Methoden der Zeit-

synchronisation hat (vgl. [46], Eberling). Gesellschaftliche Übergänge, wie die von der

Industrie- zur Dienstleistungsgesellschaft oder von der Dienstleistungs- zur Informations-

und Wissensgesellschaft gehen mit veränderten Zeitstrukturen einher.

Derzeit ändern und entwickeln sich Informations- und Kommunikationstechnologien ra-

sant, was mit vielfältigen auch noch unbekannten Folgen verknüpft ist. Im Bereich der

Arbeitswelt ist eine Ausdifferenzierung an Beschäftigungsmodellen zu erkennen (z.B.

freie Mitarbeiter, Zeitarbeit, Telearbeit . . . ). Die zukünftige Gesellschaft wird durch

lebenslanges Lernen, Zersplitterung und Flexibilisierung geprägt sein. Globales und lo-

kales Denken findet mehr und mehr parallel statt. Diese Veränderungen beziehen sich

sowohl auf räumliche als auch auf zeitliche Aspekte. Am Beispiel der Stadt Bremen

wurden die Effekte und Konsequenzen wechselnder Zeitstrukturierung von Eberling un-

tersucht (vgl. [46], Eberling). Die „Zeit“ hat Auswirkungen auf den Raum. So spricht

Henkel davon, dass Zeit ein Qualitätsmerkmal von Flächen sein kann (vgl. [73], Hen-

ckel u. a.). Zeitliche Nutzungsdifferenzen oder auch Zugangsvorteile wie Nutzungsdauern

bzw. Distanzempfindlichkeiten haben Einfluss auf die Standortwahl von Unternehmen.

Bei Flächenknappheit kann die Fläche auch durch Zeit substituiert werden. Laut Henkelt

treten demnach aus Knappheits- bzw. ökologischen Gründen Überlegungen zu Zeiter-

weiterungen (z.B. Schichtarbeit) in den Vordergrund. Weiterhin gehen Arbeitsprozesse

der Just-in-Time-Production mit einem kontinuierlichen Lieferverkehr einher. Dadurch

wird insbesondere im produzierenden Gewerbe ein durchmischtes Wohnen und Arbeiten

unmöglich oder erschwert. Somit hat auch im Gewerbe- und Industriesektor die Zeit

einen Einfluss auf Standortnutzungen. Im nachfolgenden Abschnitt werden individuelle

Zeitverwendungsstrukturen basierend auf Zeitbudgeterhebungen näher beschrieben.

4.3 Zeitverwendung

Die Allokation von Zeit durch Haushalte und deren Bedeutung für die Ökonomie wurde

bereits in den 60er Jahren des vorigen Jahrhunderts untersucht (vgl. [12], Becker). Be-

cker argumentiert, dass durch den stetigen Rückgang der Arbeitszeit die Nichtarbeitszeit

einen steigenden Anteil an der ökonomischen Wohlfahrt hat. Zeit kann durch Einkommen

76

Zeitverwendung

in Güter konvertiert werden und Haushalte werden als Produzenten und Nutzenmaximie-

rer betrachtet. Zeitbudgets geben dabei den Rahmen vor. Innerhalb ihres Zeitrahmens

versuchen Haushalte demnach ihren Nutzen zu maximieren, der wiederum von Gütern

und dem Faktor Zeit abhängt.

Um Aussagen über zukünftig zu erwartende Veränderungen, wie die Energiebedarfs-

entwicklung, abzuleiten, ist es von Bedeutung die Tagesgestaltung der Menschen zu

verstehen. Hier ist es von Interesse zu analysieren, wie viel Zeit die Menschen mit wel-

chen Tätigkeiten verbringen. Mit diesen Fragen beschäftigt sich die Zeitbudgetforschung.

Datenerhebungen zur Zeitverwendung finden seit einigen Jahren regelmäßig in vielen

Ländern statt, insbesondere in Staaten die zur OECD gehören. Eine Auflistung interna-

tionaler Zeitbudgeterhebungen der letzten Jahre ist u.a. bei Merz (vgl. [111], Merz) zu

finden.

Im wiedervereinigten Deutschland gab es bisher zwei größere deutschlandweite Zeit-

butgetstudien, die 1991/1992 bzw. 2001/2002 durchgeführt wurden. Das statistische

Bundesamt gibt Veröffentlichungen zu diesen Studien heraus. Diese Studien sind eine

wichtige Quelle zur Beantwortung der Fragen: Wofür verwenden wir unsere Zeit und wie

verändert sich die Zeitinvestition in den verschiedenen Lebensbereichen? Für diese Ar-

beit lagen die Daten der Zeitbudgetstudie aus dem Jahr 2001/2002 vor. Die Studie wird

auf Grund ihrer inhaltlichen Bedeutung für die Analyse von Aktivitäten im nächsten

Abschnitt näher vorgestellt.

4.3.1 Zeitbudgetstudie 2001/2002

Die Zeitbudgeterhebung von 2001/2002 wurde vom BFSFJ (Bundesministeriums für

Familie, Senioren, Frauen und Jugend) in Auftrag gegeben und vom Statistischen Bun-

desamt in Kooperation mit den Statistischen Ämtern der Länder durchgeführt. In dieser

Studie wurden mehr als 5000 Haushalte in denen über 13500 Personen leben befragt.

Die Stichprobenauswahl erfolgte mit Hilfe des Quotenverfahrens.

In der Erhebung werden die Aktivitäten der Studienteilnehmer in ihrer Abfolge und Zeit-

dauer erfasst. Darüber hinaus werden verschiedene Merkmale erhoben, die die durchge-

führten Aktivitäten beeinflussen und den befragten Personen selbst bzw. den Haushalten

der betreffenden Personen zugeordnet werden können. Die Zeitbudgetstudie ist so an-

gelegt, dass eine prinzipielle Vergleichbarkeit zur Vorgängerstudie (1991/1992) als auch

mit anderen Zeitbudget-Studien der Europäischen Union gewährleistet werden kann.

77

Zeitverwendung

Im Sinne der Datenharmonisierung wurde die Zeitnutzung 10 minütig getaktet (die

allgemeine Vorgehensweise bei Zeitbudgetuntersuchungen ist, um die europäische Ver-

gleichbarkeit zu gewährleisten, in den Guidelines on harmonized European Time Use

surveys beschrieben). Methodisch erfolgte die Zeitverwendungserfassung durch selbst-

geführte Tagebuchaufzeichnungen. Dadurch wird das ganze Spektrum von Tätigkeiten

der Befragungsteilnehmer erfasst. Durch diese Methodik werden die Unzulänglichkeiten

anderer Erhebungsmethoden, wie die der aktivitätsorientierten Zeiterfassung oder die

Nachteile von nachträglichen Interviews reduziert bzw. ganz vermieden62. Das komplet-

te Erhebungsdesign der Zeitbudgetstudie mit seinen Vorteilen gegenüber alternativen

Methoden ist durch Ehling beschrieben (vgl. [47], Ehling u. a.).

Die folgende Tabelle zeigt, wie vielfältig die Tätigkeitsbereiche sind, mit denen Personen

ihre Zeit verbringen (vgl. Tabelle 4.1). Die Hauptklassifikation der Aktivtäten in der

Zeitbudgetstudie von 2001/2002 unterscheidet sich dabei von der Studie aus dem Jahr

1991/1992.

Tabelle 4.1: Klassifikation der Aktivitäten in der Zeitbudgetstudie 2001/20020 Persönlicher Bereich/Physiologische Regeneration1 Erwerbstätigkeit2 Qualifikation/Bildung3 Haushaltsführung und Betreuung der Familie4 Ehrenamtliche Tätigkeiten, Freiwilligenarbeit5 Soziales Leben und Unterhaltung6 Teilnahme an sportlichen Aktivitäten7 Hobbys und Spiele8 Massenmedien9 Wegezeiten und unbestimmte Zeitverwendung

Die Abgrenzung und somit die Klassifizierung von Tätigkeitsbereichen ist schwierig. Auf

Grund der Vielzahl an ausgeübten Beschäftigungen ist eine Gruppierung jedoch notwen-

dig. So dient Sport der körperlichen Fitness, ist zumeist ein Hobby und hat zumindest im

Mannschaftsportbereich eine soziale Komponente. Daneben dient Sport im Profibereich

dem Erwerb. Insofern ist eine Einteilung immer problematisch, da die Lebensbereiche

nicht in disjunkte Kategorien gebracht werden können. Daher ist die Auswertung der

Daten auch nicht unproblematisch. So zeigt sich, dass Frauen oft mehr Zeit für den

62Nachteile bei der Zeiterfassung mit Hilfe von Interviews über zurückliegende Zeiträume sind un-genauere Zeitangaben, sowie dass oftmals die Zeitangaben als Summe nicht 24h ergeben. Bei deraktivitätsorientierten Zeiterfassung werden dagegen nur ausgewählte Tätigkeiten betrachtet.

78

Zeitverwendung

sozialen Austauch investieren. Zu beachten ist aber, dass sich die Zeit für soziale Kon-

takte bei Männern z.B. hinter Kategorien wie Sport verbergen kann. Die Vielfalt der

Zeitnutzungen sowie Analysen von Nutzungen bestimmter Gruppen (Männer, ältere

Menschen,. . . ) für die Zeitbudgetstudie sind umfassend in der Veröffentlichung „Alltag

in Deutschland “ (vgl. [152], Statistisches Bundesamt) beschrieben.

Neben der Aufzeichung von Tagesaktivitäten besteht die Zeitbudgetstudie 2001/2002 aus

einem Personen- und einem Haushaltsfragebogen. Diese drei Teile der Studie werden

nachfolgend detaillierter betrachtet, um das Nutzenpotential dieser Daten für die im

nachfolgenden Kapitel 5 beschriebene Simulation zu verdeutlichen.

4.3.1.1 Tagesaktivitätenfragebogen

Der Fragebogen über die Tagesaktivitäten ist der zentrale Bestandteil der Zeitbudgetstu-

die. Alle Mitglieder eines teilnehmenden Haushaltes, älter als 10 Jahre, waren aufgefor-

dert, ein Tagebuch auszufüllen. Ziel des Tagesaktivitätenfragebogens ist die gesamtzeit-

liche Erfassung einzelner Haushaltstätigkeiten sowie die Erfassung von Arbeitsteilung

im Haushalt. Pro Person werden drei Tage erfasst, wobei ein Wochenendtag und zwei

Tage unter der Woche enthalten sein müssen. Um eine Vergleichbarkeit innerhalb der

einzelnen Haushalte zu gewährleisten, füllen die Haushaltsmitglieder die gleichen Tage

aus. Tätigkeiten werden mit einer Mindestdauer von 10 Minuten63 erhoben, wobei zu

den Tätigkeiten sowohl körperliche als auch geistige Beschäftigungen zählen. Weiterhin

können die teilnehmenden Haushaltsmitglieder eine Haupttätigkeit und eine möglicher-

weise gleichzeitig stattfindende weitere Aktivität (Nebenaktivität) eintragen. Die Haupt-

und Nebenaktivitäten als auch der Ort bzw. die Verkehrsmittel sind im offenen Format

anzugeben. Den Befragten waren somit keine Antwortkategorien vorgegeben. Ob die Ak-

tivitäten alleine ausgeführt oder Zeitabschnitte mit anderen Personen64 verbracht wur-

den, ist ein weiteres Anliegen der Fragebogenerfassung. Der Wochentag, der Monat und

das Jahr (2001 bzw. 2002) des Ausfülltages wurde ebenfalls notiert. Abschließend sind

im Erhebungsbogen Fragestellungen vorhanden, die weitergehende Informationen für die

Fragebogenauswertung bereitstellen (z.B. Einschätzung der Befragten, ob der Ausfülltag

63Bei mehreren Tätigkeiten innerhalb eines 10 Minuten Zeitraumes wird die Tätigkeit mit der längstenZeitdauer erhoben.

64Hierbei wird für jeden Zeitschritt unterschieden, ob Zeit zusammen verbracht wird: mit Kindern unter10 Jahren, mit dem (Ehe)partner, mit anderen Haushaltsmitgliedern oder mit anderen bekanntenPersonen.

79

Zeitverwendung

normal oder außergewöhnlich war sowie Information darüber, wann der Fragebogen aus-

gefüllt wurde oder auch die Information darüber, ob am Tag des Ausfüllens eine Reise

unternommen wurde). Die in diesem Abschnitt gegebene Beschreibung des Tagesaktivi-

tätenfragebogens entstammt direkt aus dem vom Statistischen Landesamt Bayern zur

Verfügung gestellten Fragebogendatensatz, bzw. den Erklärungen, welche den Fragebö-

gen beilagen. Insgesamt wurden mit diesem Fragebogen rund 35000 Tagesabläufe mit

annähernd 1200 Variablen erfasst.

4.3.1.2 Personenfragebogen

Der Personenfragebogen als zweiter Bestandteil der Zeitbudgetstudie erfasst verschie-

denste soziodemographische Merkmale, wie Lebensalter, Geschlecht, Staatsangehörigkeit

oder auch den Familienstand. Weitere Fragestellungen widmen sich der Einschätzung der

Zeitverwendung65 als auch der Zufriedenheit mit der Zeitverwendung66 für verschiede-

ne Tätigkeitsbereiche. Ein großer Bereich behandelt die Themen Hilfe für Andere bzw.

ehrenamtliche Tätigkeiten. Hierbei wurden die betreffenden Tätigkeitsbereiche und der

dafür geschätzte wöchentliche Zeitbedarf abgefragt. Die Studienteilnehmer wurden dar-

über hinaus gebeten, ihren Gesundheitszustand einzuschätzen. Weitere Fragestellungen

widmen sich den Themengebieten Bildungshintergrund, Aus-, Fort- und Weiterbildung

sowie der Erwerbsbeteiligung und dem Einkommen. Insgesamt hat der Fragebogen na-

hezu 400 Variablen, die Anzahl der Datensätze beträgt mehr als 13500.

4.3.1.3 Haushaltsfragebogen

Abschließend gibt es für die Zeitbudgetstudie noch einen Fragebogen der die individu-

elle Ebene verlässt und die Ebene des Haushalts betrachtet. In diesem Fragebogen wer-

den die Wohnverhältnisse (z.B. Art des Wohngebäudes, Wohnfläche, Anzahl verfügbarer

Zimmer, Wohneigentum) und die Lebensverhältnisse untersucht. Lebensverhältnisse be-

schreiben in diesem Zusammenhang die bereitstehende Haushaltsausstattung. So wird

z.B. die Anzahl von PCs, Fernsehern, Tiefkühltruhen und weiteren Geräten erfasst. Zu-

sätzlich werden empfangene Hilfeleistungen des Haushalts (z.B. bei Kinderbetreuung

oder Gartenarbeit) mit Zeitangabe erhoben. Auch die zu Fuß Erreichbarkeiten (z.B.

zur Bibliothek oder zum nächstgelegenen Spielplatz) werden in der Studie abgefragt.

65Ausprägung der Variablen Zeitverwendung: zu wenig Zeit, genau die richtige Zeit, zu viel Zeit.66Ausprägung der Variablen Zufriedenheit: sehr zufrieden, sehr unzufrieden, trifft nicht zu.

80

Zeitverwendung

Weitere Fragekomplexe beschäftigen sich mit Haushaltseinkommensquellen (z.B. Sozi-

alhilfe, Kindergeld etc.), dem Gesamthaushaltseinkommen als auch dem Haushaltstyp

(z.B. alleinerziehend mit Kind unter 6 Jahren). Abschließend wird noch unterschieden,

ob es sich um einen Haushalt in Ost- bzw. Westdeutschland handelt. Insgesamt hat der

Fragebogen mehr als 100 Variablen, die Anzahl der Datensätze beträgt mehr als 5000.

4.3.2 Zeitverwendungsstudie - Datenauswertung

In diesem Abschnitt erfolgt eine Auswertung der Zeitbudgetstudie im Hinblick auf re-

levante Fragestellungen für die in Kapitel 5 beschriebene Modellierung. Für die Erfor-

schung von Mobilität und Energiebedarf in Haushalten ist es zunächst wichtig zu wissen,

wann die Menschen zu Hause bzw. unterwegs sind. Die Erfassung der Anzahl der Be-

wohner im Haushalt in Abhängigkeit von der Tageszeit ist ebenso bedeutsam und stellt

bei Richardson et. al. die Grundlage für die Simulation von Elektrizitätsnachfragen in

diesem Sektor dar (vgl. [134], Richardson u. a. und [135], Richardson u. a.). Das von

Richardson et. al. entwickelte occupancy model steht im Internet frei zur Verfügung,

so dass es für eigene Zwecke in neue Modelle eingebettet werden kann und darf (vgl.

[134], Richardson u. a.). Weiterhin ist es wichtig, die Anzahl, die Art als auch die Ver-

teilung der Aktivitäten über den Tagesverlauf besser zu verstehen. Um Energiebedarfe

prognostizieren zu können, ist es unabdingbar diese Einflussfaktoren in ihrer Bedeutung

zu erfassen. Es stellt sich also die Frage, inwieweit diverse Merkmale (z.B. Geschlecht,

Einkommen, soziales Millieu, Alter, . . . ) das Aktivitätenprogramm steuern und wie va-

riabel Tagesabläufe gestaltet werden können. In den Abbildungen 4.2 und 4.3 ist das

Verhältnis von außerhäuslichen Tätigkeiten67 und Tätigkeiten im eigenen Wohnbereich

während des Tagesverlaufes dargestellt.

4.3.2.1 Verteilung der Außer-Haus-Aktivitäten

Wie durch die Einleitung zu diesem Abschnitt dargelegt wurde, ist es von Interesse

zu wissen, wann die Menschen zu Hause sind bzw. wann sie Außer-Haus-Tätigkeiten

durchführen. In diesem Zusammenhang ist das Verhältnis von innerhäußlichen zu außer-

häuslichen Aktivitäten im Tagesverlauf von Bedeutung. In diesem Abschnitt wird der

67Hierbei wurden alle Tätigkeiten die nicht explizit als zu Hause deklariert wurden als außerhäuslichbetrachtet. Hierunter fallen z.B. auch Aktivitäten, die in Zweitwohnungen bzw. Wochenendhäusernstattfinden.

81

Zeitverwendung

Anteil der Außer-Haus-Aktivitäten in Abhängigkeit verschiedener Einflussfaktoren aus

den Zeitbudgetdaten bestimmt.

Da für diese Auswertung zwei Datensätze (Tagesaktivitätendatensatz und Personen-

datensatz) in Beziehung gesetzt werden mussten, sei hierauf kurz eingegangen. Die Be-

ziehung zwischen Daten wird in Datenbanken über Primär- und Fremdschlüssel herge-

stellt (dabei können 1:1, 1:m oder n:m Beziehungen auftreten). Da die Herstellung einer

Beziehung (Verknüpfung) zwischen Daten für eine Datenauswahl in R sehr elegant um-

gesetzt werden kann, sei an dieser Stelle der R-Code zu dieser Thematik eingefügt. Die

eindeutige Identifizierung eines Datensatzes ist über einen zusammengesetzten Schlüssel

aus Haushaltsnummer und Personennummer möglich.

R-Code68

gewuenschte_Spalte1<-Datensatz1[[Spaltenindex]];

Auswahl1<-grep("Suchwort1",gewuenschte_Spalte1);

ID_Prim<-as.numeric(paste(Datensatz1[[Spalte_x]],Datensatz1[[Spalte_y]],sep=""));

ID_Fremd<-as.numeric(paste(Datensatz2[[Spalte_x]],Datensatz2[[Spalte_y]],sep=""));

matching<-match(ID_Prim,ID_Fremd);

. . .

In Abbildung 4.2 ist der Anteil der Außer-Haus-Tätigkeiten für die Unterscheidung zwi-

schen Woche und Wochenende als auch zwischen Sommer und Winter zu sehen. Auf der

Y-Achse ist die Tageszeit in Form von Zeitschritten aufgetragen. Da die Tagebuchauf-

zeichnung eine 10 minütige Einteilung besitzt, ergeben sich pro Tag 144 Zeitschritte. Der

erste Zeitschritt beginnt nach den Daten der Tagebuchaufzeichung um 4 Uhr Nachts.

68Wichtig ist in diesem Zusammenhang die Funktion grep (zur Auswahl von Zeilen, die einem Kriteriumentsprechen), die Funktion paste (zum Verketten von strings) und die Funktion match(x,y) (zumAuffinden der Werte aus Vektor x im Vektor y).

82

Zeitverwendung

Abbildung 4.2: Anteil der Außer-Haus-Tätigkeiten im Tagesverlauf (personenbezogen)

0.1 0.2 0.3 0.4 0.5 0.6 0.7

0

20

40

60

80

100

120

140

Anteil außer Haus

Zei

tsch

ritt (

ZS

)

5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

0.1 0.2 0.3 0.4 0.5

0

20

40

60

80

100

120

140

Anteil außer Haus

Zei

tsch

ritt (

ZS

)

5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

0.1 0.2 0.3 0.4 0.5 0.6

0

20

40

60

80

100

120

140

Anteil außer Haus

Zei

tsch

ritt (

ZS

)

5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

0.1 0.2 0.3 0.4 0.5 0.6

0

20

40

60

80

100

120

140

Anteil außer Haus

Zei

tsch

ritt (

ZS

)

5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

oben links: in der Woche, oben rechts: Wochenende, unten links: Winter (Januar,Februar), untenrechts: Sommer (Juli,August)

Für diese Auswertung wurden erst einmal alle Tagesdatensätze betrachtet. Dann wurden

wie aus der Grafik ersichtlich ist, die Daten hinsichtlich der Merkmale Jahreszeit und

Wochentag eingeschränkt. Erkennbar69 ist der Unterschied zwischen Wochentagen und

Wochenenden, der sich vor allem darin äußert, dass der Peak der Außer-Haus-Aktivitäten

69Auf Grund der Ausnutzung des Platzes für die eigentliche Grafik weicht die Einteilung auf der x-Achseab, was jedoch etwas zu Lasten der visuellen Vergleichbarkeit geht.

83

Zeitverwendung

sich vom späten Vormittag in den Nachmittag hinein verschiebt. In den Sommermonaten

finden, wie auf Grund der Temperatur- und Lichtverhältnisse zu erwarten ist, mehr

Außer-Haus-Aktivitäten abends statt.

Abbildung 4.3: Anteil der Außer-Haus-Tätigkeiten im Tagesverlauf (zeitbezogen)

0.1 0.2 0.3 0.4 0.5

0

20

40

60

80

100

120

140

Anteil außer Haus

Zei

tsch

ritt (

ZS

)

5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

0.1 0.2 0.3 0.4 0.5 0.6

0

20

40

60

80

100

120

140

Anteil außer Haus

Zei

tsch

ritt (

ZS

)5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

0.1 0.2 0.3 0.4 0.5 0.6 0.7

0

20

40

60

80

100

120

140

Anteil außer Haus

Zei

tsch

ritt (

ZS

)

5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

0.2 0.4 0.6 0.8

0

20

40

60

80

100

120

140

Anteil außer Haus

Zei

tsch

ritt (

ZS

)

5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

oben links: nur weibliche Personen, oben rechts: nur männliche Personen, unten links:teilzeitbeschäftigte Personen (Wochentags), unten rechts: vollzeitbeschäftigte Personen (Wochentags)

In Abbildung 4.3 ist der Anteil der Außer-Haus-Tätigkeiten für die Unterscheidung hin-

sichtlich des Merkmals Geschlecht als auch hinsichtlich des Merkmals Beschäftigung zu

84

Zeitverwendung

sehen. Es zeigt sich, das der Peak bei den Männern in der Graphik stärker ausgeprägt

ist als bei den Frauen. Dies könnte durch traditionelle Frauenrollen bedingt sein. Auch

der Einfluss der Vollbeschäftigung im Vergleich zur Teilzeitbeschäftigung spiegelt sich in

der Abbildung wieder. So ist der Anteil der Außer-Haus-Tätigkeiten am Nachmittag bei

den Vollbeschäftigten deutlich höher als bei der Vergleichsgruppe. Neben der Verteilung

von häußlichen und außerhäuslichen Tätigkeiten muss die Anzahl der Tätigkeiten und

deren Verteilung im Tagesverlauf bekannt sein. Diese Aspekte werden im anschließenden

Abschnitt behandelt.

4.3.2.2 Anzahl und Verteilung von Aktivitäten im Tagesverlauf

Die Verteilung der Anzahl der Tagestätigkeiten in Abhängigkeit vom Geschlecht bzw.

dem Wochentag ist in den folgenden Histogrammen dargestellt (vgl. 4.4).

85

Zeitverwendung

Abbildung 4.4: Tätigkeitsanzahl nach Geschlecht und Wochentag

Anzahl der Aktivitäten (Gesamtanzahl der Fälle:18998)

Dic

hte

0 20 40 60

0.00

0.01

0.02

0.03

0.04

0.05


Dic

hte

0 10 20 30 40 50 60

0.00

0.01

0.02

0.03

0.04

0.05

0.06


Dic

hte

0 20 40 60

0.00

0.01

0.02

0.03

0.04

0.05


Dic

hte

0 10 20 30 40 50 60 70

0.00

0.01

0.02

0.03

0.04

0.05

oben links: Daten (weibliche Personen), oben rechts: Daten (männliche Personen), unten links: Daten(Wochentags), unten rechts: Daten(Wochenende)

Anhand der obigen Histogramme kann nach augenscheinlicher Betrachtung davon aus-

gegangen werden, dass die Anzahl der Tätigkeiten unabhängig von den betrachteten

Merkmalen ist. Auf genauere statistische Analysen wurde in diesem Zusammenhang

verzichtet. Die nachfolgenden Histogramme stellen die Tätigkeitsanzahlverteilung in Ab-

hängigkeit des Personenalters dar (vgl. Abb. 4.5).

86

Zeitverwendung

Abbildung 4.5: Tätigkeitsanzahl nach Altersklassen


Dic

hte

0 10 20 30 40 50 60

0.00

0.01

0.02

0.03

0.04

0.05

0.06


Dic

hte

0 20 40 60

0.00

0.01

0.02

0.03

0.04


Dic

hte

0 10 20 30 40 50 60

0.00

0.01

0.02

0.03

0.04

0.05


Dic

hte

10 20 30 40 50 60

0.00

0.01

0.02

0.03

0.04

0.05

oben links: Altersklasse [20-29], oben rechts: Daten Altersklasse [30-39], unten links: Altersklasse[50-59], unten rechts: Altersklasse [70-79]

Es zeigt sich, dass das Alter durchaus einen Einfluß auf die Anzahl der Tagestätigkeiten

hat. Die relative Klassenhäufigkeit kann mittels der Häufigkeitsdichte und der Klassen-

breite berechnet werden. So ist z.B. aus den Histogrammen ersichtlich, dass eine hohe

Tätigkeitsanzahl (z.B. der Bereich um 40 Tätigkeiten) prozentual am häufigsten in der

Altersklasse der 30-39 Jährigen auftritt.

87

Zeitverwendung

Die Verteilung von Aktivitäten im Tagesverlauf, also der Beginn, die Dauer, als auch die

Anzahl von Aktivitäten ist in den nächsten beiden Abbildungen dargestellt (vgl. Abb.

4.6 und Abb. 4.7). Für die Visualisierung komplexer Tagesabläufe wird sich einer bereits

von Ellegård und Cooper verwendeten Darstellungsform bedient (vgl. [48], Ellegård u.

Cooper). Die Autoren stellen in ihrer Veröffentlichung verschiedene Möglichkeiten der

Visualisierung von Tagesabläufen vor. Für die Abbildungen 4.6 und 4.7 wurden aus

dem Gesamtdatensatz der Tagesabläufe per Zufall jeweils 100 beschriebene Tage für

männliche bzw. weibliche Personen gezogen. Es ist sehr gut ersichtlich, wie diffus die

Aktivitäten70 im Tagesverlauf verteilt sind. Die Aktivitäten wurden hierbei abwechselnd

farbig dargestellt, so dass die Summe der dargestellten Teilstücke die Gesamtanzahl

der Tagesaktivitäten wiedergibt. Durch die Einbeziehung weiterer Merkmale (z.B. sozio-

demographische Merkmale, Wochentag,. . . ) ist es mitunter möglich, genauere Muster in

der Ausgestaltung von Tagesabläufen zu erkennen.

Abbildung 4.6: Aktivitätsdauern im Tagesverlauf (männliche Personen)

0 20 40 60 80 100

0

20

40

60

80

100

120

140

Tage (männliche Personen)

Zei

tsch

ritt (

ZS

)

5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

70Bei den Aktivitäten handelt es sich um die angegebenen Hauptaktivitäten. Nebenaktivitäten wurdenhier nicht betrachtet. Ein Wechsel in der Kodierung der Hauptaktivität wird als neue Aktivitätangesehen.

88

Zeitverwendung

Abbildung 4.7: Aktivitätsdauern im Tagesverlauf (weibliche Personen)

0 20 40 60 80 100

0

20

40

60

80

100

120

140

Tage (weibliche Personen)

Zei

tsch

ritt (

ZS

)

5:30−5:40Uhr

8:50−9:00Uhr

12:10−12:20Uhr

15:30−15:40Uhr15:30−15:40Uhr

18:50−19:00Uhr

22:10−22:20Uhr

01:30−01:40Uhr

4.3.2.3 Variabilität von Tagesabläufen

Betrachtet man Aktivitäten im Tagesverlauf, so ist eine wichtige Fragestellung die nach

der Variabilität bzw. der Konstanz von Tagesabläufen. Inwieweit sind welche Aktivitä-

ten wie verschiebbar und wie oft wird dies getan? Um Tagesabläufe hinsichtlich ihrer

Variabilität zu vergleichen, kann aus inhaltlichen Gründen nicht der aus der Statistik

bekannte klassische Korellationskoeffizient verwendet werden. Ein Vergleich der Aktivi-

täten kann mit Hilfe von Methoden geschehen, die in der Linguistik zum Vergleich von

Texten oder in der Genetik zum Vergleich von Nukleinsäure- (DNA, RNA) oder Ami-

nosäureketten (Peptide, Proteine) benutzt werden. Der übergeordnete Begriff für diese

Methoden lautet pattern matching. Tagesabläufe können in diesem Zusammenhang als

Sequenz von Tätigkeiten aufgefasst werden. Eine Metrik71 zum Vergleich zweier Sequen-

zen ist die Levenshtein-Metrik. Da die Tageseinteilung fest ist (144 Zeitschritte), kann

die Hamming Distanz als Spezialfall der Levenshtein Metrik angewendet werden, um

die Ähnlichkeit (Hamming-Ähnlichkeit) von Tagesabläufen zu berechnen. Die Hamming

71Eine Metrik hat folgende Eigenschaften: d(x,y)=0 ⇒ x=y, d(x,y)=d(y,x) (Symmetrie), d(x,y)≤d(x,z)+d(z,y) (Dreiecksungleichung).

89

Zeitverwendung

Distanz zwischen Sequenzen beschreibt die Anzahl an Operationen (Ersetzungen), die

notwendig sind, um eine Sequenz in eine andere zu überführen. Die Hamming Distanz

ist somit nicht tolerant gegenüber Verschiebungen.

Hamming − Ahnlichkeit(x, y) = 1 − HammingDistanz(x, y)

Sequenzlaenge(4.1)

Abbildung 4.8 zeigt in aufsteigender Reihenfolge alle Hamming-Ähnlichkeiten der Ver-

gleichstage. Verglichen wurden Wochentage72 von jeweils ein und derselben Person. Trotz

der Einfachheit dieser Ähnlichkeitsmessung zeigt die Grafik, dass viele Tage einander re-

lativ ähnlich sind. Dies kann auf Gewohnheiten (z.B. Schlafenszeiten) als auch auf von

außen festgelegte Zeiten (z.B. Arbeitszeiten) zurückgeführt werden.

Abbildung 4.8: Aufsteigend sortierte Hamming-Ähnlichkeiten (Wochentage)

0 2000 4000 6000 8000 10000

0.0

0.2

0.4

0.6

0.8

1.0

verglichene Wochentage (Anzahl:11292)

Ham

min

g Ä

hnlic

hkei

t

Eine weitere Möglichkeit die Ähnlichkeit zweier Sequenzen zu bestimmen, ist die Ver-

wendung von N-Grammen. N-Gramme sind Folgen aus N Zeichen (so bestehen z.B.

Bigramme aus 2 und Trigramme aus 3 Zeichen). Die Sequenzen können als Menge von

N-Grammen dargestellt werden. Ein Maß für die Ähnlichkeit zweier Sequenzen stellt

hier der Dice-Koeffizient dar.

72Beeinflussungen wie Feiertag, Urlaubstag wurden nicht beachtet (es zählte nur Wochentag oder nichtWochentag).

90

Zeitverwendung

Dice(x, y) =2 ∗ |N(x) ∩ N(y)||N(x)| + |N(y)| (4.2)

N(x) und N(y) sind die Mengen der N-Gramme aus den Sequenzen x und y. Verschie-

bungen in den Sequenzen werden toleriert. Jedoch ist es unerheblich, wie oft gleiche Se-

quenzen auftreten. Auch die Verschiebungslängen werden nicht berücksichtigt73. Neben

dem Dice-Koeffizienten und der Hamming-Ähnlichkeit gibt es weitere Verfahren, um Se-

quenzen miteinander zu vergleichen. So verwendete Rindsfüser im Bereich der Verkehrs-

nachfragemodellierung für die Daten des Projektes Mobidrive die Methode der Sequenz-

Alignierung um Ähnlichkeiten zwischen Tagesabläufen zu erfassen (vgl. [136], Rindsfü-

ser). Im Folgenden wurde im Vergleich zu den Hamming-Ähnlichkeiten für dieselben

Daten die Dice-Koeffizienten berechnet (vgl. Abb. 4.9). Die Berechnungen erfolgten auf

Basis von Trigrammen. Damit die Sequenzlänge gleich bleibt und die Berechnung des

Dice-Koeffizienten nicht ungünstig beeinflusst wird, wurden die Daten umkodiert, so

dass ein Zeichen einer Tätigkeit entspricht74. Da mehr als 250 Tätigkeiten unterschie-

den werden, reichen die Ascii Zeichen nicht aus, so dass Teile von Unicode verwendet

wurden, um die Umkodierung durchzuführen. Aus Abbildung 4.9 ist ersichtlich, dass die

Tagesaktivitäten im Vergleich zu den Hamming Distanzen deutlich ähnlicher erschei-

nen. Zusammenfassend kann gesagt werden, dass die Wahl verschiedener Metriken zu

sehr unterschiedlichen Ergebnissen führt. Dies steht in Einklang mit den Ergebnissen von

Schlich, der verschiedene Distanzmaße zur Messung intrapersoneller Variabilität einsetzt

(vgl. [144], Schlich).

73Die Einschränkung auf eine maximale Verschiebungslänge wäre in diesem Zusammenhang eine sinn-volle Erweiterung.

74Die Tagesaktivitäten wurden im Zeitbudgetdatensatz mit 2- bzw. 3-stelligen Zahlen kodiert.

91

Zeitverwendung

Abbildung 4.9: Aufsteigend sortierte Dice-Koeffizienten (Wochentage)

0 2000 4000 6000 8000 10000

0.0

0.2

0.4

0.6

0.8

1.0

verglichene Wochentage (Anzahl:11292)

Ähn

lichk

eit m

ittel

s D

ice−

Koe

ffizi

ent

Wie beschrieben, hat das Verständnis von Tagesabläufen mit den entsprechenden Tätig-

keiten eine große Bedeutung für viele energetisch relevante Fragestellungen. Es ist jedoch

nicht nur interessant, welche Tätigkeiten ausgeführt werden, sondern auch wo diese Tä-

tigkeiten stattfinden. Innerhalb der Zeitbudgetstudien fand der räumliche Bezug wenig

Berücksichtigung, so dass lediglich zwischen Aktivitäten im Haus oder außerhalb unter-

schieden werden konnte.

In diesem Sinn, stellt sich die Frage inwieweit Mobilitätsmuster von Menschen vorher-

gesagt werden können. Song et al. analysierten dazu Handydaten von 45000 anonymi-

sierten Nutzern (vgl. [151], Song u. a.). Dabei wurden nur Nutzer berücksichtigt, die ein

Minimum an Telefonaten und Ortswechseln überschritten. Der Untersuchungszeitraum

betrug 3 Monate. Die mittlere Größe des Abdeckungsgebietes der Funkmasten lag bei

durchschnittlich 3km2. Ein Ortswechsel fand demnach immer dann statt, wenn ein Han-

dynutzer in den Abdeckungsbereich eines anderen Funkmastes wechselt. Im Ergebnis

ermittelten Song et al., dass der Aufenthaltsort im Schnitt über alle Untersuchungs-

personen zu über 90% vorhergesagt werden kann. Die Genauigkeit der Vorhersage von

Aufenthaltsorten ist wiedererwartend weitgehend unabhängig vom Mobilitätsradius der

Menschen. Das Ergebnis dieser Untersuchung spiegelt den Alltag wieder, der durch we-

niger zufällige Abweichungen bestimmt ist, als oft angenommen wird.

92

Zeitverwendung

In diesem Kapitel wurden Konzepte der Zeitgeographie und die Verwendung von Zeit-

budgetdaten vorgestellt. Im zweiten und dritten Kapitel stand mit der Thematik urbane

Formen der Raum im Mittelpunkt der Betrachtung. Es ist allgemeiner Konsens, dass der

Raum mit seiner Ausstattung einerseits und zeitliche Aspekte anderseits einen Einfluss

auf die Tagesorganisation ausüben. Im letzten Kapitel soll daher der Versuch unter-

nommen werden, eine Mikrosimulation über Tagesaktivitäten einer Stadtbevölkerung

zu generieren. Dabei finden die angesprochenen Faktoren Raum und Zeit Berücksich-

tigung und die Tätigkeiten werden mit Energiebedarfen assoziiert, um unter anderem

abzuschätzen, wie variabel Energiebedarfe sein können.

93

5 Mikrosimulation -

Tagessimulation(24h) -

Aktivitäten mit Energiebezug

In diesem Kapitel wird die Simulation von Tagesaktivitäten einer synthetischen Stadtbe-

völkerung vorgestellt. Die Tagesaktivitäten werden in dem Modell mit Energiebedarfen

verknüpft. Das Ziel der Modellierung ist es, ein Werkzeug zu entwickeln, mit dem in

Abhängigkeit sich ändernder Rahmenbedingungen eine räumlich und zeitlich aufgelöste

Energienachfrage geschätzt werden kann. Das Verständnis komplexer Zusammenhänge

kann mit Hilfe von Mikrosimulationen verbessert werden, so dass ein solches Modell per-

spektivisch zur Unterstützung planungsrelevanter Entscheidungen herangezogen werden

kann.

Die Organisation urbaner Systeme kann nach Bretagnolle et al. auf 3 Hauptebenen

beschrieben werden (vgl. [30], Bretagnolle u. a.). Diese Ebenen entsprechen einer Mikro-,

Meso- bzw. Makrosicht auf das System. Da im Folgenden eine Tagessimulation auf der

Ebene von Individuen durchgeführt wird, ist vorrangig die Mikroebene von Bedeutung.

Nur diese Sichtweise wird im Weiteren beschrieben.

Abbildung 5.1 gibt einen Überblick über die Modellierung der dieser Arbeit zugrundelie-

genden Simulation. Entscheidend ist hier, dass ein GIS lose mit einer sonst unabhängigen

objektorientierten Programmierung für die Tagesaktivitätensimulation verbunden wird.

Die Verknüpfung von GIS und Aktivitätensimulation kann unter den Begriff Spatial De-

cision Support Systems (SDSS) zusammengefasst werden. Das GIS dient dabei einerseits

der indirekten Datenbereitstellung und andererseits als Visualisierungswerkzeug.

94

Individuenbasierte Modellierung

Abbildung 5.1: Mikrosimulation - Modellüberblick

��

��

��

��

��

��

��

��

��

��

��

� ��

!�� " ��

#$%

��&��

'()

�*��

Bevor eine detaillierte Beschreibung des Modells erfolgt, werden die Möglichkeiten indi-

viduenbasierter Modellierung aufgezeigt (vgl. Kapitel 5.1). In Kapitel 5.2 werden aktivi-

tätenbasierte Modelle sowie ihre Klassifikation beschrieben und es wird kurz auf mathe-

matische Hintergründe eingegangen. Anschließend werden Faktoren dargestellt, die im

Simulationskontext Aktivitäten und Energiebedarfe beeinflussen (vgl. Kapitel 5.3). Den

Abschluss bildet Kapitel 5.4 mit der Beschreibung der Simulation und den Ergebnissen

der Modellierung.

5.1 Individuenbasierte Modellierung

Eine individuenbasierte Modellierung, also der Versuch mit einem Bottom-up-Ansatz

reale Vorgänge auf übergeordneter Ebene zu beschreiben, kann mittels verschiedener

Techniken durchgeführt werden. Abbildung 5.2 stellt die drei Säulen der Modellierungs-

ansätze dar.

Die drei Hauptrichtungen der individuenbasierten Modellierung sind demnach die Ver-

wendung von zellulären Automaten, Multiagentensysteme sowie Mikrosimulationen. Ein

zellulärer Automat kann als Menge von parallelen endlichen Moore-Automaten aufge-

fasst werden und kann z.B. zur Simulation von Landnutzungsänderungen herangezogen

werden. Zelluläre Automaten haben durch die Zellenlage und die gegebene Nachbar-

schaftsdefinition einen räumlichen Bezug. Ein Nachteil von zellulären Automaten be-

steht jedoch darin, dass die Zellen fix sind und somit manche Phänomene, wie der

95

Individuenbasierte Modellierung

Abbildung 5.2: Säulen der individuenbasierten Modellierung

��

��

��

� ��

��

� ��

Umzug innerhalb einer Siedlung (Ortswechsel), nicht abgebildet werden können. Mul-

tiagentensysteme werden vordergründig für soziale bzw. wirtschaftliche Fragestellungen

eingesetzt. Der Raum spielt hier zumeist keine oder nur eine untergeordnete Rolle.

Ein Geographisches Automatensystem, als eine weitere Möglichkeit urbane Systeme zu

modellieren, stellt den Versuch dar, die Vorteile von zellulären Automaten mit den Vor-

teilen von Agentensystemen zu kombinieren bzw. deren Schwächen in Bezug auf geogra-

phische Fragestellungen zu beheben. Ein Geographisches Automatensystem, bestehend

aus vielen Automaten wird hierbei wie folgt als 7-tupel definiert (vgl. [15], Benenson u.

Torrens).

G ∼ (K,S, Ts, L,ML, N,RN)

K ist hierbei die Menge der modellierten Objekte, S die Menge der Zustände (Sk ⊆S, kǫK), Ts ist die Menge der Transitionen, L gibt den Ort und N die jeweilige Nachbar-

schaft an. ML und RN legen die Orts- und Nachbarschaftsveränderungen fest. Eine Um-

setzung der geographischen Automatentheorie erfolgte unter anderem in dem mittlerwei-

le eingestellten Projekt Object-Based Environment for Urban Simulation (OBEUS).

Koch sieht in der Geosimulation eine Möglichkeit theorieinduzierte Ansprüche metho-

disch umzusetzen, da die Entstehung sozialer als auch räumlicher Systeme abgebildet

werden kann, Re-Konstruktionen möglich sind und über Kommunikation eine Verbin-

dung zwischen räumlichen und sozialem System besteht (vgl. [92] u. [93], Koch). Im

Zusammenhang mit Geosimulationen wird auch oft der Begriff Geographical-Aware In-

telligent Agents (GAIA) verwendet.

Da in der hier durchgeführten Simulation Nachbarschaftsbeziehungen nicht berücksich-

tigt werden, ist das vorliegende Modell dem Bereich der Mikrosimulation zuzuordnen.

96

Aktivitätenbasierte Modellierung

Mikrosimulationen basieren auf kleinen Einheiten (Personen, Firmen, Autos, . . . ) die

mit Eigenschaften und einer Menge von Regeln, die den stochastischen oder festen Zu-

standsübergang festlegen, ausgestattet sind. Im Unterschied zur vorliegenden Simulation

betrachten Mikrosimulationen jedoch oft längere Zeiträume und werden vorrangig ein-

gesetzt, um den Einfluss von fiskalischen Entscheidungen im Zusammenhang mit demo-

graphischen Entwicklungen auf soziale Gerechtigkeit zu untersuchen.

Der Unterschied des in dieser Arbeit erstellten Modells zu einem Multi-Agenten-Modell

ergibt sich aus den Eigenschaften von Agentenmodellen. Agenten sind dadurch gekenn-

zeichnet, dass sie ihre Umwelt wahrnehmen und darauf regieren. Des Weiteren können

sie aktiv handeln, sind lernfähig, agieren autonom und stehen mit anderen Agenten in

Beziehung (Kommunikation). Ihr autonomes Handeln ist auf ein Ziel ausgerichtet. Die-

ses Ziel ist demnach die Voraussetzung und Grundlage des Handelns der Agenten. Das

Ziel kann z.B. die Maximierung des Profits einer Firma sein. Bei der Tagesplanung ist

ein solches Ziel nicht vorhanden bzw. zumindest nicht direkt ersichtlich (Minimierung

der Ausgaben, Maximierung der Freizeit, Maximierung einer allgemeinen Nutzenfunkti-

on, . . . ?). Demnach ist zielorientiertes autonomes Handeln im Bereich der Tagesplanung

kaum abbildbar. Es sei denn, es werden konkrete Nutzenfunktionen unterstellt. Ein wei-

terer Punkt in der Definition eines Agentenmodells, der in dem für diese Arbeit erstellten

Modell nicht berücksichtigt wird, ist die Kommunikation zwischen Agenten. In der hier

durchgeführten Simulation werden Entscheidungen zum derzeitigen Zeitpunkt unabhän-

gig von anderen Agenten getroffen. Der Begriff “Agent“ wird aber im Weiteren für die

Simulationssubjekte der Mikrosimulation verwendet, ohne das ein Bezug zu Agenten

laut Definition der Agentensysteme besteht.

Da Aktivitäten für die in Kapitel 5.4 beschriebene Simulation von zentraler Bedeutung

sind, wird im folgenden Abschnitt näher auf die aktivitätenbasierte Modellierung, die

vor allem in der Verkehrsforschung eingesetzt wird, eingegangen.

5.2 Aktivitätenbasierte Modellierung

“Electricity is always purchased by the consumer as an intermediate step towards some

final, non-electrical product. No one wakes up in the morning saying “I want to consu-

me 12kWh today.“ Instead, they want the products electricity can produce when applied

97


through the actions of various appliances - a cool home in summer, a warm one in win-

ter, hot water on demand, vegetables kept fresh in the refrigerator, and 48 inches of

dazzling color with stereo commentary during Monday night football “ (vgl. [177], Willis,

S.91).

Speziell für die Elektrizitätsnachfrage zeigt dieses Zitat treffend den Zusammenhang

zwischen Aktivitäten und Lebenseinstellungen von Menschen und der Energienachfrage.

Im Zusammenhang mit dem Thema Energie sind Aktivitätensimulationen für vielfälti-

ge Fragestellungen bedeutsam, insbesondere auch unter anwendungsorientierten wissen-

schaftlichen Gesichtspunkten. Da die Energienachfrage stark mit den Aktivitäten der

Konsumenten verbunden ist, könnten aktivitätenbasierte Modellierungen im Bereich des

Demand Side Managements (DSM) Anwendung finden. Mit dem Ziel der Glättung der

Last hat DSM verschiedenste Vorteile, wie z.B. bessere Auslastung von Kraftwerkskapa-

zitäten, Verringerung nötiger Backup Kapazität oder geringere Stromgestehungskosten.

Lastdaten sind entscheidend für die Planung von Elektrizitätsnetzen als auch für die Aus-

legung von Erzeugungskapazitäten (vgl. [124], Paatero u. Lund). Ein gutes Verständnis

für die Ausgestaltung von Tagesabläufen (Aktivitäten) kann demnach die Grundlage für

Energiebedarfsprognosen sein. Zur Potentialanalyse von DSM in Haushalten siehe z.B.

von Roon et al. (vgl. [166], von Roon u. a.).

Neben DSM und Virtual Power Plants (VPP) sind die Erfassung von Aktivitäten auch

im Verkehrsbereich von essentieller Bedeutung. Im Forschungsfeld Elektromobilität ist

Vehicle-to-Grid (V2G) ein derzeitiger Untersuchungsgegenstand. Fluhr et al. (vgl. [56], Fl-

uhr u. a.) untersuchten mittels stochastischer Simulation die Verfügbarkeit (Stromnetz-

anbindung) von Elektrofahrzeugen auf Basis von Daten der Befragung Mobilität in

Deutschland (MiD). Sie betonen die Bedeutung von Raum und Zeit, sowie die Wichtig-

keit von Mobilitätsbedürfnissen für ihr Forschungsinteresse. Neue Technologien müssen

im Einklang mit den Bedürfnissen der Menschen stehen, damit ihre Akzeptanz gewähr-

leistet ist. So muss die Autobatterie geladen sein, wenn der Nutzer vor hat, mit dem

Auto zu fahren. Nach Fluhr et al. führen wechselnde Ladeinfrastrukturen zu sehr ver-

schiedenen Simulationsergebnissen. Verbesserungsmöglichkeiten ihrer Simulationsergeb-

nisse sehen Fluhr et al. in einer verbesserten Abbildung des Fahrverhaltens sowie einer

detaillierten räumlichen Auflösung (vgl. [56], Fluhr u. a.).

Aktivitäten, die die Tätigkeiten im Haushalt genauer erfassen, sind Gegenstand der Un-

tersuchung der Zeitbudgetforschung (vgl. auch Abschnitt 4.3.1). Je nach Interessensge-

biet wird eine große Bandbreite an Forschungsthemen bearbeitet, so dass ein allgemeiner

98


Forschungsstand nicht gegeben werden kann. Themen sind z.B. Zeit und Armut, For-

schungen zu Genderfragestellungen, Gesundheit und Ernährung oder Erziehung. Für

einen Überblick über die Zeitbudgetforschung sei deshalb auf die International Asso-

ciation for Time Use Research (IATUR)75 oder auch auf das electronic International

Journal of Time Use Research (eIJTUR)76 verwiesen. Da Aktivitäten in Zusammenhang

mit Simulationsmodellen bisher zum weitaus größten Teil in der Verkehrforschung be-

trachtet werden, sei nachfolgend auf diesen Bereich näher eingegangen. Die Aktiviäten

beschränken sich in diesem Zusammenhang jedoch nur auf Außer-Haus-Aktivitäten.

Im zeitlichen Ablauf lag der Fokus in der Verkehrsforschung zuerst auf Fahrtenanaly-

sen, dann auf tourenbasierten und zuletzt auf aktivitätenbasierten Analysen. Eine gute

Zusammenfassung aktivitätenbasierter Modellierung im Verkehrsbereich ist bei Timmer-

mans zu finden (vgl. [161], Timmermans). Die historische Entwicklung aktivitätenbasier-

ter Modelle wurde von Bowman beschrieben und wird hier nicht weiter betrachtet (vgl.

[24], Bowman). Nachfolgend werden einige aktuelle Modelle im Transportbereich, die

Aktivitäten abbilden, genannt.

Aktivitätenbasierte Modelle

• ALBATROSS (A Learning-Based Transportation Oriented Simulation System)

• CEMDAP (Comprehensive Econometric Microsimulator for Daily

Activity-Travel Patterns)

• FAMOS (Florida Activity Mobility Simulator)

• MATSIM-T (Multi-Agent Transport Simulation Toolkit)

• TASHA (Travel Activity Scheduler for Household Agents)

CEMDAP und FAMOS sind zwei Modelle, die sich räumlich auf Gebiete der USA be-

ziehen. Einen Überblick über aktivitätenbasierte Mikrosimulationsmodelle aus den USA

liefern Bradley und Bowman (vgl. [26], Bradley u. J.). Beispiele und Zukunftsaussichten

im Bereich der Modellierung von Haushaltsaktivitäten und Transport listen Timmer-

mans und Zhang auf (vgl. [162], Timmermans u. Zhang).

Aktivitätenbasierte Modelle lassen sich nach ihrer zugrunde liegenden Methodik folgen-

dermaßen unterscheiden (vgl. [89], Khandker).

75Zu finden unter http://www.iatur.org/76Zu finden unter http://www.eijtur.org/

99


Modellkategorien aktivitätenbasierter Modelle

• Single facet model • Constraint-based model

• Utility-maximization model • Computational process model

• Microsimulation model

Single facet Modelle betrachten jeweils nur ein mit Aktivitäten zusammenhängendes At-

tribut (z.B. Häufigkeit von Aktivitäten). Dagegen beinhalten Constraint-based Modelle

mehrere Attribute. Die Aktivitätenwahl wird durch räumlich-zeitliche Beschränkungen

bestimmt. Computational process Modelle unterscheiden sich von Utility-maximization

Modellen dadurch, dass die Auswahl von Aktivitäten nicht durch eine Nutzenmaxi-

mierung bestimmt wird. Die Auswahl erfolgt bei den Computational process Modellen

z.B. mit Hilfe von Verhaltensregeln. Die nach dieser Unterteilung fünfte Gruppe bilden

Mikrosimulationen. Mikrosimulationsmodelle basieren auf Zufallsexperimenten.

Khandker (vgl. [89], Khandker) selbst bevorzugt eine Einteilung der Modelle in 3 Klas-

sen.

• Utility-maximization model

• Computational or Rule-based model

• Hybrid model: combination of utility theory, rules, microsimulation and all other

type models

Methodisch kommen bei der Nutzenmaximierung zumeist multinomiale Logit Modelle

zum Einsatz. Die Annahme der Nutzenmaximierung ist bei der Entscheidung für be-

stimmte Aktivitäten durchaus kritisch zu sehen (vgl. z.B. [6], Avineri). So ist z.B. nicht

immer klar, was der eigentliche Nutzen ist. Das Vorliegen sowie richtige Interpretieren

vollständiger Informationen ist in der Realität auch nicht gegeben. Ein Beispielmodell

für den Nutzenansatz ist das Modell STARCHILD, das in den 1980er Jahren entwickelt

wurde. Für Aktivitätengenerierung mittels zufälliger Nutzenmaximierung (random uti-

lity maximization - RUM) sei ebenfalls auf Khandker verwiesen (vgl. [90], Khandker).

Nach Khandker weisen Newell und Simon bereits 1972 darauf hin, dass menschliche Ent-

scheidungsprozesse eher regelbasiert sind (vgl. [89], Khandker). Regelbasierte Modelle

sind durch die klassischen if then else Anweisungen umgesetzt. ALBATROSS oder auch

SMASH (Simulation Model of Activity Scheduling Heuristics) sind zwei Beispiele für

regelbasierte Modellierungen.

100


Hybride Modelle sind eine weitere Möglichkeit der Modellierung, die derzeit eingesetzt

werden. Ein Beispiel hierfür ist das Modell TASHA. Die Aktivitätenzeitplanung ist bei

diesem Modell regelbasiert, die allgemeine Aktivitätengenerierung durch eine Mikrosi-

mulation umgesetzt und die Verkehrsmittelwahl wird durch eine Nutzenmaximierung

bestimmt (vgl. [137], Roorda u. Habib). Neben den genannten Modellen gibt es im spe-

ziellen verschiedene tourenbasierte Simulationen, die Aktivitäten abbilden. Viele dieser

Modelle, die für praktische Planungsziele eingesetzt werden, beziehen sich räumlich auf

Agglomerationen der USA. In diesem Zusammenhang sind die folgenden Modelle zu

nennen.

Tourenbasierte Modelle

• METRO (Portland)

• SFCTA (San Francisco County Transportation Authority)

• NYMTC (New York Metropolitan Transportation Council)

• MORPC (Columbus - Mid-Ohio Regional Planning Commission)

• ARC (Atlanta Regional Commission)

Diese Modellansätze versuchen die Schwächen des traditionellen 4-Stufen Ansatzes (Ver-

kehrserzeugung, Verkehrsziele, Verkehrsmodus, Verkehrsumlegung) zu beheben77. Die

Unterschiede zwischen den einzelnen Modellen sind bei Vovsha et al. thematisiert (vgl.

[167], Vovsha u. a.).

Im Transportbereich liegt der Fokus der Aktivitätenforschung auf den Außer-Haus-

Aktivitäten. In diesem Zusammenhang können auch die Möglichkeiten eines GIS genutzt

werden (z.B. für Erreichbarkeits- oder Netzwerkanalysen). Die Verwendung von GIS als

Werkzeug für die Analyse von Haushaltsaktivitäten wird unter anderem bei Buliung und

Kanaroglou beschrieben (vgl. [34], Buliung u. Kanaroglou).

Die Modellierung von Aktivitäten besteht aus verschiedenen Schritten, wobei die ein-

zelnen Bereiche sowohl von theoretischem als auch von praktischem Forschungsinteresse

sind. Dazu zählt unter anderem die Erzeugung einer künstlichen Population für die

77Die Nachteile des 4-Stufen Ansatzes sind unter anderem: Die unzureichende Abbildung von Touren,der fehlende Zusammenhang zwischen verschiedenen Touren an einem Tag oder im Bereich der Ag-gregation eine unzureichende zeitliche, räumliche und demographische Auflösung der repräsentiertenRealität (vgl. [167], Vovsha u. a.).

101

Ausgangspunkt urbaner Aktivitätensimulationen

Abbildung realer Verhältnisse, was die Voraussetzung für die sich anschließenden Simu-

lationen darstellt78. Der Forschungsstand bezüglich der Erzeugung synthetischer Popu-

lationen ist bei Müller und Axhausen beschrieben (vgl. [116], Mueller u. Axhausen)79.

Abschließend sei in diesem Abschnitt auf eine aktivitätenbasierte Modellierung verwie-

sen, die nicht dem Bereich erwähnter Verkehrsnachfragemodelle zuzuordnen ist. Im Ener-

giebereich sind viele Modelle für ganz spezielle Fragestellungen konzipiert (z.B. Unter-

suchung des Wärmebedarfs festgelegter Städte). Im Gegensatz dazu hat Synthetic City

(SynCity) den Anspruch breiter einsetzbar zu sein und ist unter anderem für die op-

timale Erschließung neuer Bebauungsgebiete gedacht. Das Modell besteht aus den drei

Submodellen Layout, Agentenaktivitäten und Technologien (vgl. [88], Keirstead u. a.).

Dabei wird im Layoutschritt, der die urbane Form beschreibt, Mixed Integer Linear

Programming (MILP) verwendet. Dies unterscheidet den Ansatz auch von der in dieser

Arbeit vorgestellten Simulation, in der der Fokus auf der Abbildung von Agententätig-

keiten liegt und keine Optimierung zum Einsatz kommt. Die Aktivitätenabbildung in

SynCity erfolgt anhand des 4-Stufen Ansatzes. Das dritten Submodell zielt darauf ab,

die Energieversorgungstruktur einer Stadt zu optimieren (vgl. [88], Keirstead u. a.).

Nach der Betrachtung individuen- und aktivitätenbasierter Modellierungsansätze wer-

den in Kapitel 5.3 der Hintergrund und die Rahmenbedingungen für Simulationen im

urbanen Kontext als auch speziell für die implementierte Simulation betrachtet.

5.3 Ausgangspunkt urbaner Aktivitätensimulationen

In diesem Kapitel soll der Modellierungshintergrund näher beschrieben werden, bevor

die konkrete Umsetzung der Simulation im Abschnitt 5.4 dargelegt wird. Wie bereits

erwähnt, sind Städte komplexe Systeme. Da eine Vereinfachung der Zusammenhänge

für die Modellbildung notwendig ist, stellt sich die Frage, in welchen Bereichen zusam-

mengefasst und vereinfacht werden kann, ohne sich zu weit von realen Gegebenheiten zu

entfernen. Die innere Struktur, sowie die Rahmenbedingungen denen Städte unterliegen,

78Andere Teilbereiche/Teilmodelle von besonderem Forschungsinteresse sind beispielsweise: Migrations-modelle, Modelle zur Beschreibung der sozioökonomischen Entwicklung und Besitz- bzw. Verfügbar-keitsmodelle (z.B. hinsichtlich Autoverfügbarkeit).

79Das Standardverfahren zur realistischen Abbildung von Populationen ist dabei das IPF (Iterativeproportional fitting).

102


sollen in diesem Kapitel näher vorgestellt werden. Dies soll Zusammenhänge verdeutli-

chen, mögliche Generalisierungen aufzeigen und Potentiale für weitere Arbeiten kennt-

lich machen. Des Weiteren wird in diesem Kapitel näher auf die Simulationssubjekte

eingegangen.

Urbane Aktivitätsmuster können räumlich und zeitlich verschieden aufgelöst werden.

Simulationen können dabei auf real bestimmten oder synthetisch erzeugten Daten auf-

bauen. Die vorliegende Simulation bezieht sich nicht auf einen real existierenden Raum.

Die in diesem Modell verwendete Raumausstattung als auch die zu simulierende Stadt-

bevölkerung basieren in großen Teilen auf künstlich erzeugten, mit der Realität in Ein-

klang stehenden, Daten. Da energetisch relevante Fragestellungen zumeist mit konkreten

Räumen verknüpft sind, sollten Aktivitätssimulationen prinzipiell auf konkrete Städte

anwendbar sein, um einen lokalen praktischen Nutzen zu generieren. Eine solche Simu-

lation konkreter Städte wäre immer an lokal spezifische Gegebenheiten und die jeweilige

Datengrundlage anzupassen. Das Ziel dieser Arbeit ist es somit, ein Rahmenmodell zu

entwickeln, das mit verhältnismäßig wenig Aufwand angepasst werden kann. Es ist aber

absehbar, dass auch ein solches Rahmenmodell einer stetigen Anpassung und Verände-

rung unterliegt (Datengrundlage, Wahrnehmung, . . . ).

5.3.1 Innere Rahmenbedingungen für urbane Modellierungen

Der Begriff Innere Rahmenbedingungen umfasst vornehmlich die infrastrukturelle Aus-

stattung innerhalb der Stadtgrenzen. Dieser Begriff wurde als Komplement zu dem im

nächsten Abschnitt (vgl. Abschnitt 5.3.2) verwendeten Begriff der Äußeren Rahmenbe-

dingungen gewählt. Unter äußeren Bedingungen werden die demographische Entwick-

lung, die Wirtschaftsentwicklung, der Klimawandel und die Gesetzgebung verstanden.

Faktoren die nicht in diese Kategorien fallen werden der Kategorie innere Rahmenbe-

dingungen zugeordnet80. Dieser Abschnitt behandelt die in diesem Zusammenhang als

wichtig angesehenen Faktoren für eine urbane Simulation und zeigt die Abgrenzungen

bzw. Einschränkungen hinsichtlich des konkret umgesetzten Modells auf.

Städte können raumordnerisch hinsichtlich ihrer Zentralität in Klassen eingeteilt wer-

den. Die Zuordnung zu diesen Klassen, die im Folgenden genannt werden, wird in den

Landesentwicklungsplänen (LEP) bzw. den Landesraumordnungsplänen festgelegt. In

80Die Unterscheidung in innen und außen folgt demnach keinen logisch zwingenden Gründen. Sie dientder separaten Beschreibung der hier unter äußeren Bedingungen zusammengefassten Faktoren.

103


Deutschland werden Ober-, Mittel- und Unterzentren unterschieden. Des Weiteren gibt

es Kategorien, die Zwischenstufen beschreiben als auch die Klasse der zentralen Orte

im ländlichen Raum. Um den Status einer gewissen Klasse zu erreichen, müssen Min-

destausstattungen im Bereich der Infrastruktur als auch Mindestwerte im Bereich der

Bevölkerung erreicht werden. Die Informationen über Ausstattungen sollten neben wei-

teren Daten von statistischen Ämtern und Behörden (z.B. Bevölkerungsdaten) in ein

Simulationsmodell einfließen. Dies kann durch Datenbankschnittstellen realisiert wer-

den. Die Erfassung verschiedenster verfügbarer Datenbestände, sowie ein ausgereiftes

Datamining sind in diesem Kontext von großer Bedeutung.

104


Die folgende Abbildung veranschaulicht die für die Energiestruktur von Städten als

wichtig eingestuften Einflussgrößen (vgl. Abb. 5.3).

Abbildung 5.3: Modell einer energetisch betrachteten Stadt

��

��

��

��

��

� ��

!��"��#

��

��

��

��

��

��

� ��#

��

��

$��

� ��!��"��#��$��% ��

$�%��

�� &��'��(��(��)��

��

& ��

*��%�))��"�

��

��!+�%�� %��#'�� %�� ,

-�)�� *��$��%��

�� "��*��$��%��

��)�$��

��

'��

��"�.��/��*��$��

��"�.��$��

��) ��%��#�� %�� ,

!�%��

�� "��)��*��!��.��

��

�� "��)��*��!��.��

��

'��0��'��1��

(��

��"�$��%��2��$.�)��

'��

(� ��

3�%��"� ��!��

��*��!��.��%��

*�� $��

Die technische und die soziale Infrastruktur sind die wesentlichen Bestandteile eines

Stadtmodells. Zur technischen Infrastruktur zählen z.B. Kraftwerke, Fernwärmenetze

aber auch die Verkehrsinfrastruktur, wie Straßen. Zu sozialer Infrastruktur gehören bei-

spielsweise öffentliche und kulturelle Einrichtungen sowie Einrichtungen der medizini-

schen Versorgung. In der hier durchgeführten Simulation umfasst die technische In-

frastruktur jedoch nur die Standorte von Gebäuden, also Wohnraum-, Gewerbe- und

Industriebebauung. Aus dem Bereich der sozialen Infrastruktur erfolgt eine Auswahl,

so dass Kindergärten, Schulen, Restaurants oder auch Einkaufsmöglichkeiten abgebildet

werden können. Informationen über die Stadtbevölkerung (z.B. Alter und Einkommen)

105


als auch die Ausstattung der Haushalte zählen ebenfalls zu den inneren Gegebenheiten

einer Stadt.

Das Bedürfnis der Stadtbevölkerung nach Ortsveränderungen (z.B. Erreichen des Ar-

beitsplatzes) führt zu Verkehrsnachfragen. Verkehrsnachfragen sind dabei mit Aktivitä-

ten, Zeitbudgets und Energieflüssen verbunden. Grundlegend kann Verkehr in immateri-

ellen (Daten) und materiellen Verkehr (Personen, Güter) unterschieden werden. Hierbei

lässt sich der materielle Verkehr wiederum unterteilen, so dass in feinerer Gliederung

z.B. Berufs-, Freizeit-, Einkaufs-, Dienstleisungs- und Güterwirtschaftsverkehr vonein-

ander unterschieden werden können. In dieser Arbeit wird nur der materielle Verkehr

betrachtet. Die Bedeutung des immateriellen Verkehrs, sowie seine möglichen Auswir-

kungen auf den materiellen Verkehr wurden unter anderem von Shaw und Yu (vgl. [148]

Shaw u. Yu) betont und bei Kwan (vgl. [101] Kwan) eingehender beschrieben. Kwan

geht darauf ein, dass Informations- und Kommunikationstechnologien (IKT) im Alltag

der Menschen von steigender Bedeutung sind. IKT bieten die Möglichkeit, Aktivitäten

“unabhängig“ von Zeit und Raum auszuführen (e-shopping, e-banking, . . . ). Die Nut-

zung von IKT kann Zeit sparen, was zu weiteren bzw. ausgedehnten Aktivitäten führen

kann. Andererseits reduziert die Nutzung von IKT die Zeiten für andere Aktivitäten. Der

potentielle Einfluss von IKT auf den urbanen Verkehr wird von Kwan daher als komplex

beschrieben. Kwan erkennt, dass Distanzen als Erklärung für die Herausbildung urba-

ner Formen zunehmend an Bedeutung verlieren und folgert, dass im Zeitalter mobiler

Kommunikation für die Untersuchung urbaner Verkehrsnachfrage neue Konzepte und

Methoden notwendig sind.

Der materielle Transport wird in dieser Arbeit weiterhin eingeschränkt. Betrachtet wird

lediglich der private und öffentliche Personenverkehr, was nur einem Teil des städti-

schen Verkehrsaufkommens entspricht. Der Verkehrssektor nimmt einen großen Anteil

am gesamtstädtischen Energieverbrauch ein. Im Beispiel von Wien unterteilte sich der

Endenergieverbrauch der Stadt im Jahr 2007 in folgender Weise81:

• private Haushalte: 30%

• Verkehr: 40%

• Öffentliche und private Dienstleistungen: 19%

• produzierender Bereich und Landwirtschaft: 11%

81Quelle: http://www.wien.gv.at/wirtschaft/eu-strategie/energie/zahlen/energieverbrauch.html

106


Der Anteil des Wirtschaftsverkehrs am städtischen Gesamtverkehr kann, wie der Ver-

gleich zwischen verschiedenen Städten zeigt, stark variieren. An Werktagen betrug der

Anteil des Wirtschaftsverkehrs 20% bis 60% aller städtischen Fahrten. Ein hoher Anteil

tritt dabei besonders in Innenstadtbereichen auf (vgl. [5] Arndt u. a.). Insofern wird

ersichtlich, dass durch die Einschränkungen große Teile der aufkommenden städtischen

Energienachfrage nicht abgebildet werden.

Pendler gehören teilweise nicht zur eigentlichen Stadtbevölkerung (Einpendler), führen

jedoch verschiedenste Aktivitäten innerhalb der Stadt durch. Das Gleiche gilt für Tou-

risten, die z.B. für Tagesausflüge in die Stadt reisen. Pendlerverflechtungen als auch

der Tourismus sind für konkrete Städte oft nicht zu vernachlässigende Größen. Die Be-

deutung dieser Bereiche kann für verschiedene Städte erheblich schwanken. In diesem

Zusammenhang sind tageszeitliche und saisonale Abhängigkeiten zu betrachten. Trotz

der mitunter großen Bedeutung wurden diese Bereiche für die vorliegende Simulation

nicht betrachtet. Dies vor allem auf Grund des Fokus auf den städtischen Haushaltssek-

tor.

Die Einbettung der Stadt in ihre geographische Umgebung ist unbestritten bedeutsam.

Die Vernetzung der Stadt mit ihrem Hinterland, sei es durch wirtschaftlichen, sozia-

len oder kulturellen Austausch, wird jedoch in den meisten Stadtenergiemodellen nicht

adequat abgebildet. Die Stadt wird für die in dieser Arbeit durchgeführte Modellie-

rung als abgeschlossenes System betrachtet. In einfacher Form könnte das Umland als

black box modelliert werden. Importe aus oder Exporte in das Umland wären somit

möglich. Pendler oder auch Touristen könnten mitbetrachtet werden. Da die stadtregio-

nale Vernetzung immer mehr an Bedeutung gewinnt, sind weitere Forschungsarbeiten

und umfangreichere Modellierungsansätze notwendig. In diesem Zusammenhang sei auf

das Forschungsprogramm Modellvorhaben der Raumordnung (MORO) verwiesen, das

sich in einem Teilbereich mit der Einbindung regenerativer Energien in regionale Ener-

giekonzepte beschäftigt. Im Bereich der erneuerbaren Energien ist die Bedeutung von

Stadt-Umland-Beziehungen, genauer gesagt der Einfluss von Stadt-Umland-Allianzen

auf den Anteil erneuerbarer Energien am Endenergieverbrauch, z.B. durch Nölting et al.

dokumentiert (vgl. [120] Nölting u. a.).

Wie in diesem Kapitel beschrieben, gibt es viele Faktoren, die die städtische Ener-

gienachfrage beeinflussen. Daraus ergibt sich, dass vielfältigste Daten zur Erklärung

von Nachfragen herangezogen werden können und müssen. Neben der unterschiedlichen

Verfügbarkeit, sowie der Datenqualität (Vollständigkeit, Konsistenz, Redundanz, . . . )

107


ist außerdem zu beachten, dass Daten in verschiedensten Formaten ausgegeben werden

und vielfältige Korrelationen bestehen. Das Thema Daten nimmt demnach spätestens

bei der Simulation in Bezug auf reale Orte eine zentrale Stellung ein.

Im nachfolgenden Abschnitt wird ergänzend zu der in diesem Kapitel aufgezeigten inne-

ren Struktur von Städten, auf wesentliche von außen vorgegebene Einflüsse hingewiesen.

Für Simulationen sind die äußeren Rahmenbedingungen für Szenariobildungen bedeut-

sam.

5.3.2 Äußere Rahmenbedingungen für urbane Modellierungen

Es gilt hier die Rahmenbedingungen zu beschreiben, die Auswirkungen auf Städte haben,

jedoch von städtischer Seite nicht oder nur sehr begrenzt beeinflusst werden können82.

Zu den äußeren Faktoren zählen in diesem Zusammenhang Gesetzgebung, Klimawan-

del, demographische Entwicklung aber auch die allgemeine Wirtschaftslage (vgl. Tabel-

le 5.1). Klimawandel und demographische Entwicklung sind zwei wesentliche Themen,

mit denen sich Städte heute als auch in Zukunft beschäftigen müssen. Wirtschaftliche

Entwicklungen und gesetzliche Vorgaben sind weitere wichtige Einflussfaktoren auf die

Stadt, die mit vielfältigen Herausforderungen verbundenen sind. Diese Zusammenstel-

lung der äußeren Rahmenbedingungen hat keinen Anspruch auf Vollständigkeit. So sind

z.B. technologische Entwicklungen oder auch damit einhergehende Nutzungsänderungen,

z.B. im Bereich moderner Kommunikationswege, hier nicht betrachtet.

82Es sei hier wiederholt darauf hingewiesen, dass die Begriffe “Innen“ und “Außen“ hier eher anschaulichzu verstehen sind und eine exakte Trennung dieser nicht vorgenommen wird bzw. diese auch in derRealität nicht gegeben ist.

108


Tabelle 5.1: Rahmenbedingungen einer StadtDemographische Entwicklung Gesetzgebung

Die allgemeine demographische Ent-wicklung der Länder veranlasst Städ-te zu vielfältigem Handeln. Heraus-forderungen und Chancen sind da-bei in einem Arbeitspapier des deut-schen Städtetages dokumentiert (vgl.[41], Deutscher Städtetag (Hrsg.)). Dader demographische Wandel Bereichewie Kaufkraft oder den Wohnungs-markt beeinflusst, sind Simulationenan dieser Stelle hilfreich. Änderungender Konsumausgaben privater Haushal-te, insbesondere auch für Energie, her-vorgerufen durch den demographischenWandel, sind von Kronenberg unter-sucht worden (vgl. [99], Kronenberg).

Gesetze und Verordnungen auf Bundes-,Landes- und kommunaler Ebene beein-flussen die Entwicklungsmöglichkeiteneiner Stadt. Aktivitäteneinschränkun-gen ergeben sich zum Beispiel durch diegesetzlichen Regeln zu Ladenöffnungs-zeiten. Die Verbreitung Energie erzeu-gender Technologien (z.B. Solarzellen)wird durch staatliche Anreize (z.B. Ein-speisevergütung durch das EEG) geför-dert. Die Simulation der Auswirkungenvon Anreizen stellt eine wichtige Auf-gabe von Mikrosimulationen dar. DerEinfluss nationaler Politik (z.B. Steuern)auf die lokale Ebene durch Mikrosimula-tionen wurde u.a. von Ballas und Clarkeuntersucht (vgl. [8], Ballas u. Clarke).

Klimawandel Allgemeine wirtschaftliche Lage

Auswirkungen des Klimawandels kön-nen in auf Aktivitäten basierenden Mo-dellen insofern abgebildet werden, alsdass eine erhöhte Nachfrage nach Elek-trizität (Kühlung) bzw. eine zusätz-lich sinkende Nachfrage nach Wärmebei steigenden Temperaturen unterstelltwerden kann. Bei der Modellierung derAgententätigkeiten kann bei einer Erhö-hung der Durchschnittstemperatur voneinem veränderten Verhältnis der häus-lichen zu außerhäuslichen Aktivitätenausgegangen werden. Die Bedeutung wieauch die Herausforderungen für Städtehinsichtlich des Klimaschutzes sind u.a.durch ein Positionspapier des deutschenStädtetages (vgl. [42], Deutscher Städte-tag (Hrsg.)) dokumentiert.

Die gesamtwirtschaftliche Lage beein-flusst die Stadt. Städte haben Beziehun-gen auf verschiedenen geographischenMaßstäben (Umlandbeziehung bis Ver-knüpfung zum globalen Maßstab). Diewirtschaftliche Lage beeinflusst zuerstden Industriesektor, betrifft aber auchden Gewerbe- und Haushaltsbereich. Inder Aktivitätensimulation kann die un-terschiedliche wirtschaftliche Situationim Haushaltsbereich durch veränderteHaushaltseinkommen, veränderte Haus-haltsausstattung sowie durch die indivi-duelle Arbeitssituation abgebildet wer-den. Dieses wiederum beeinflusst dieAuswahl der Tagesaktivitäten.

109


Die in Tabelle 5.1 genannten Faktoren können und sollten in Simulationsmodellen, auch

wenn dies mitunter nur in vereinfachter Form geschehen kann, beachtet werden. Für das

hier erstellte Modell können die angesprochenen Rahmenbedingungen für die Simulati-

onsdurchläufe als konstant angesehen werden, da immer nur die Aktivitäten innerhalb

eines 24 h Zeitraumes simuliert werden. Jedoch können Simulationen unter variierenden,

aber dann festgesetzten äußeren Rahmenbedingungen studiert werden.

Der zentrale Teil der Aktivitätensimulation bezieht sich auf die Bevölkerung, deren Ta-

gesablauf abgebildet wird. Da in anderen Forschungsdisziplinen angenommen wird, dass

es Gruppen mit gleichen Einstellungen bzw. gleichem Konsumverhalten gibt, betrifft ei-

ne grundsätzliche Fragestellung die Möglichkeiten der Gruppierung der zu simulierenden

Subjekte. Dieses Thema wird im anschließenden Abschnitt näher behandelt.

5.3.3 Klassifikation der Simulationssubjekte

Eine Gruppierung der Simulationssubjekte ist von Vorteil, da sie die Simulation einer-

seits vereinfacht. Andererseits kann aber auch davon ausgegangen werden, dass es in der

realen Bevölkerung bestimmte in sich homogene Gruppen gibt. Somit können durch eine

Gruppierung reale Verhaltensweisen besser abgebildet werden. Eine solche Klassifikation

wird sich hinsichtlich des betrachteten Raumes unterscheiden. So ist die indische Gesell-

schaft (Kastensystem) sicher anders als andere Gesellschaften zu gruppieren. Bezüglich

der Zeit ist der historische Kontext zu beachten, so dass Gesellschaften vergangener

Zeiträume anders zu bewerten sind als heutige. Eine allgemeingültige Gruppierung von

Bevölkerung kann es daher nicht geben.

Die Abbildung von Verhalten durch die Einteilung in Gruppen wird durch Schlich für

den Bereich der Verkehrsforschung umfassend diskutiert (vgl. [144], Schlich). Für den

Autor lautet die Kernfrage: “Wie sind Personengruppen gegeneinander abzugrenzen, da-

mit sich ihr Verhalten möglichst deutlich voneinander unterscheidet? “ ([144], Schlich,

S.29). Im Ergebnis sieht Schlich eine Einteilung der Bevölkerung in Gruppen als zeit-

gemäß an, da einerseits das Verständnis von Zusammenhängen verbessert werden kann

und andererseits Vorteile für die Modellierungspraxis zu verzeichnen sind.

Ein möglicher Ansatz für die Gruppierung von Menschen ist die Einteilung in soziale

Milieus. Neben den Milieus zur Gruppierung einer Gesellschaft gibt es weitere Eintei-

lungskonzepte (z.B. Klassen und Schichten). Dieser Abschnitt bezieht sich vordergründig

auf den Begriff der sozialen Milieus, da diese in der betriebswirtschaftlichen Forschung

110


für viele Fragestellungen, besonders in der Marktforschung, Verwendung finden. Un-

ter sozialen Milieus werden in der Forschung Gruppen Gleichgesinnter verstanden, die

jeweils ähnliche Wertehaltungen, Prinzipien der Lebensgestaltung, Beziehungen zu Mit-

menschen und Mentalitäten aufweisen (vgl. [78], Hradil). Im Alltag bezieht sich der

Begriff soziale Milieus auf Gruppierungen von Menschen, die in ähnlichen Umständen

leben, ähnlich denken und deren Verhalten in ähnlicher Weise geprägt ist. Der alltäg-

liche Sprachgebrauch kommt der wissenschaftlichen Definition nach Hradil recht nahe

(vgl. [78], Hradil). Milieus sind von diversen Faktoren, wie z.B. Bildungsgrad oder Ein-

kommen, abhängig. Die bekannteste Milieueinteilung für Deutschland stammt von der

Sinus Sociovision GmbH (sog. Sinus Milieus). Sie unterscheidet derzeit 10 Milieus, die

sich teilweise überschneiden und fortlaufend angepasst werden. In einer Studie zum Um-

weltbewusstsein und Umweltverhalten, die vom Umweltbundesamt (UBA) veröffentlicht

wurde, sind diese sozialen Milieus für Deutschland beschrieben (vgl. [178], Wippermann

u. a.). Basierend auf den Zahlen der UBA-Veröffentlichung sind die sozialen Milieus in

Deutschland folgendermaßen verteilt (vgl. [178], Wippermann u. a.):

• Etablierte (10%)

• Postmaterielle (10%)

• Moderne Performer (10%)

• Konservative (5%)

• Traditionsverwurzelte (14%)

• DDR-Nostalgische (5%)

• Bürgerliche Mitte (15%)

• Konsum-Materialisten (12%)

• Experimentalisten (8%)

• Hedonisten (11%)

Nach der Studie des UBA steht Umweltbewusstsein im Zusammenhang mit Umweltver-

halten. Umweltschutz wird von vielen Menschen als wichtig begriffen. Daraus kann auf

einen Einfluss des Umweltbewusstseins auf Aktivitäten als auch auf die Energienachfrage

geschlossen werden. Die Verbesserung der Energieeffizienz, als auch die verstärkte Nut-

zung von regenerativen Energien werden als wichtige Zukunftsaufgaben angesehen (vgl.

[178], Wippermann u. a.). Die oben genannte Studie zeigt u.a., dass es ein hohes Pro-

blembewusstsein für die mit dem Klimawandel einhergehenden Folgen gibt und dass eine

große Bereitschaft zu umweltbewusstem Alltagsverhalten vorhanden ist. Interessant ist

hierbei, dass laut der UBA-Veröffentlichung traditionelle Milieus die Umwelt am meisten

schonen (vgl. [178], Wippermann u. a.).

In seinem Agentenmodell zur Analyse von Investitionsentscheidungen in städtischen

111


Energiesystemen berücksichtigt Wittmann 3 Milieus im Bereich der privaten Akteure

(Etablierte, Traditionalisten und Technologieführer). Diese wurden aus den Sinusmilieus

abgeleitet (vgl. [180], Wittmann). Die Milieus bei Wittmann unterscheiden sich hinsicht-

lich der Wichtigkeit ihrer Ziele, der Suchstrategie und des rationalen Handels. Außerdem

wurden Beschränkungen z.B. hinsichtlich des Budgets als auch des Komfortanspruches

berücksichtigt.

Das der private Gesamtenergieverbrauch nicht nur durch Einkommen und Energiepreise

beeinflusst wird, ist schon länger bekannt. So lautet z.B. die zentrale These von Schipper

at al., dass Veränderungen der Aktivitätsmuster (bei Schipper et al. Lebensstile) bei

nahezu konstanten Einkommen und Energiepreisen zu substantiellen Änderungen des

Energieverbrauchs führen können (vgl. [143], Schipper u. a.). Dies gilt nach den Autoren

besonders für die Langfristperspektive. Ihre Veröffentlichung aus dem Jahr 1989 trägt

den Titel: „Linking Life-styles and Energy use: A matter of time? “.

Auf globaler Ebene versuchte das PIK (Potsdam Institut für Klimafolgenforschung) Le-

bensstile und Energieverbrauch zu koppeln (vgl. [133], Reusswig u. a.). Die Autoren der

PIK Studie begründen die Relevanz von Lebensstilen für die Energieversorgung damit,

dass Lebensführung nicht nur ein sozialer und kultureller Vorgang ist, sondern für die Le-

bensführung natürliche Ressourcen und Materialien benötigt werden. Nach Hradil sind

Lebensstile durch einen wiederkehrenden Zusammenhang von Verhaltensweisen, Interak-

tionen, Meinungen, Wissensbeständen und bewertenden Einstellungen eines Menschen

gekennzeichnet (vgl. [77], Hradil). Nach den Autoren der PIK Studie umfassen Lebenssti-

le die Bereiche soziale Lage, Mentalität und Performanz83. Entgegen dem umfassenden

Begriffs des Lebensstils fokussiert die Studie auf den Konsumbereich, da in anderen

Bereichen die Datenlage sehr schlecht ist. Die Autoren sehen daher in diesem Bereich

vermehrten Forschungsbedarf.

Im Zusammenhang mit der Energienutzung von Haushalten können Lebensstile durch

Zeitmuster und Geldströme beschrieben werden (vgl. [171], Weber u. Perrels). Zeitmus-

ter werden durch soziale und technische Bedingungen beeinflusst. Sie bestimmen nach

Weber und Perrels zu einem großen Teil den Typ und die Menge der benötigten Energie

in einem Haushalt. „Contrary to approaches often found in marketing research, no li-

festyle groups or types have been identified since earlier studies in this direction provided

no satisfactory results“ (vgl. [171], Weber u. Perrels, S.550). Resultierend aus dieser Er-

83Die soziale Lage beschreibt dabei Handlungsmöglichkeiten. Der Begriff Mentalität umfasst Werte,Präferenzen und Haltungen. Der Begriff Performanz bezieht sich auf Alltagspraktiken.

112


kenntnis wurden von Weber und Perrels Haushalte nach ihrer Stellung im Lebenszyklus

(z.B. junge Singles, junge Pärchen, . . . ) unterschieden und in Zusammenhang mit wei-

teren sozioökonomischen Charakteristika wie Einkommen, Bildung aber auch der Größe

der jeweiligen Kommune betrachtet. Weber und Perrels identifizierten als entscheidende

Einflussgrößen auf den Energiebedarf das Einkommen, die berufliche Situation und die

Ausgestaltung des individuellen Konsums.

Vringer, Aalbers und Blok untersuchten den Gesamtenergiebedarf unter Berücksichti-

gung von Wertemustern (value pattern). Mittels Clusteranalyse wurden acht Cluster

(Milieus) festgelegt. Die Autoren fanden allerdings keine signifikanten Unterschiede zwi-

schen den Gruppen hinsichtlich des Gesamtenergieverbrauchs (vgl. [168], Vringer u. a.).

Sie betonen, dass der Energieverbrauch von sozioökonomisch vergleichbaren Haushalten

erheblich variieren kann. Diese Variationen sind auf unterschiedliches Konsumverhalten

zurückzuführen. Die Autoren zitieren Valette-Florence u. Jolibert, die unabhängig von

sozioökonomischen Einflussfaktoren einen schwachen aber nicht vernachlässigbaren Zu-

sammenhang zwischen Werteeinstellungen und Konsummustern fanden (vgl. [168], Vrin-

ger u. a.). Zusammenfassend lässt sich festhalten, dass es bei der Milieubetrachtung im

Bereich der Energienachfrage und der Zeitnutzung weiteren Forschungsbedarf gibt. Wie

die Arbeiten von Weber und Perrels sowie von Vringer, Aalbers und Blok zeigen, scheint

der Einfluss bisheriger Gruppierungen auf den Energieverbrauch jedoch begrenzt zu sein.

Aufbauend auf den bisherigen Untersuchungen erhalten die Agenten in dem in dieser

Arbeit erstellten Modell die soziodemografischen Eigenschaften Alter, Geschlecht und

Einkommen. Die Stellung im Lebenszyklus wird durch die Faktoren berufliche Positi-

on und Haushaltsgröße mitbetrachtet. Da bisherige Arbeiten keine zufriedenstellenden

Ergebnisse im Bezug auf den Einfluss von speziellen Gruppierungen auf den Energie-

verbrauch zeigten, wird in dieser Arbeit lediglich eine binäre Unterscheidung in eine

umweltbewusste oder weniger umweltbewusste Einstellung implementiert.

Im nächsten Kapitel wird untersucht, wann Personen im Alltag individuelle Entscheidun-

gen fällen oder wann Gruppenentscheidungen getroffen werden. Dafür findet nachfolgend

eine genauere Betrachtung von Individuen und Haushalten statt.

5.3.4 Entscheidungsträger (Individuen versus Haushalte)

Im Zentrum des hier beschriebenen Modells stehen einzelne Individuen. Andererseits

müssen jedoch auch Haushalte betrachtet werden, nicht zuletzt aufgrund der Ener-

113


gienachfrage. Haushalte sind die kleinsten sozialen Einheiten, die wechselnde Güter und

Dienstleistungen in komplexer Weise konsumieren (vgl. [19], Biesiot u. Noorman)84. Die

einzelnen Individuen, die die verschiedenen Haushalte bilden, sind bei der Auswahl ihrer

Tagesaktivitäten von der Ausstattung als auch von der Lage des Haushaltes beeinflusst.

Die gemeinsame Nutzung von Haushaltstechnologien (z.B. Nutzung des Autos für einen

Familienausflug) bedingt eine Absprache der Individuen. Demnach gibt es sowohl rein

individuelle als auch Gruppenaktivitäten. Diese Gruppen können aus Teilmengen der

Haushaltsmitglieder oder auch aus Individuen verschiedener Haushalte bestehen. Dabei

ist es durch vorhandene IKT möglich, dass sich zwei vorher nicht bekannte Individuen

verabreden. Hierbei kann z.B. an Mitfahrgelegenheiten gedacht werden.

Für eine Aktivitätenmodellierung stellt sich somit die Frage, wie Entscheidungen für

einzelne Aktivitäten adequat abgebildet werden können. Anggraini fässt die Heraus-

forderungen bei der Modellierung von Aktivitäten der Individuen in Haushalten durch

folgende Punkte zusammen (vgl. [3], Anggraini):

• Gemeinsame Aktivitäten bedürfen einer zeitlichen und räumlichen Synchronisation

• Ressourcen müssen teilweise unter den Individuen aufgeteilt werden

• Einige Haushaltsaktivitäten werden nur von einem Haushaltsmitglied durchgeführt

Ein Konsens, was angemessene Modelle für die Modellierung von Haushaltsentscheidun-

gen sind, gibt es derzeit nicht (vgl. [31], Browning u. a.). Nach Browning, Chiappori und

Lechene hängt die Wahl des Modellierungsansatzes vom Kontext ab. In der Mikroöko-

nomik unterscheiden Chiappori et al. die folgenden beiden Klassen von Haushaltsent-

scheidungsmodellen (vgl. [39], Chiappori u. a.):

• Kooperative Modelle (Pareto Optimal, Nash Bargaining and Unitary Models)

• Nichkooperative Modelle

Da Haushalts- bzw. individuelle Entscheidungen oft mit Außer-Haus-Tätigkeiten verbun-

den sind, muss Mobilität/Verkehr prinzipiell mit beachtet werden. In diesem Zusammen-

hang veröffentlichte die Fachzeitschrift Transportation eine Ausgabe im Jahr 2005, die

sich dem Thema Haushaltsentscheidungen widmet. Interaktionen und Gruppenentschei-

dungen, sowie deren Modellierung, stellen einen Schwerpunkt dieser Veröffentlichungen

84Die Untersuchung der Metabolismen von Haushalten erfordert das Verständnis von sich veränderndenLebensstilen (vgl. [19], Biesiot u. Noorman).

114


dar (vgl. [17], Bhat u. Pendyala und [27], Bradley u. Vovsha). Der aktuelle Forschungs-

stand bei der Modellierung von Haushaltsaktivitäten im Zusammenhang mit Mobilität

wird u.a. bei Timmermans und Zhang beschrieben ([162], Timmermans u. Zhang). Die

Autoren gehen insbesondere darauf ein, dass die entwickelten Modelle in Zukunft ver-

stärkt Interaktionen und Interdependenzen abbilden müssen, anstatt den Fokus auf reine

individuenbasierte Entscheidungen zu legen. Aktuelle Methodiken der Modellierung sind

hierbei im Bereich der group decision theorie, utility theory, latent class modeling, rule

based modeling sowie der Mikrosimulation angesiedelt. Neue Richtungen bei der Mo-

dellbildung sind das concept of stress und das concept of need. Stress tritt dort auf,

wo Anforderungen und Wünsche nicht mit einer gegebenen Situation übereinstimmen.

Needs sind die Bedürfnisse von Haushalten. Eine Veränderung der Bedürfnisse führt zu

einer anderen Nutzenbewertung von Tätigkeiten. Ein weiterer Ansatz ist die Abbildung

externer Individuen in einem Haushalt, z.B. durch die Integration von Haushaltshilfen,

da diese die Abläufe und auszuführenden Aktivitäten stark beeinflussen. Durch die Ein-

bindung von Haushalftshilfen versuchen Wang und Li bisherige Intra-Haushaltsmodelle,

die sich mit Aktivitäten- und Tourenplanung beschäftigen, zu ergänzen (vgl. [170], Wang

u. Li).

In der vorliegenden Arbeit werden erst einmal lediglich individuelle Entscheidungen ab-

gebildet. Es wird jedoch ein Rahmen zur Verfügung gestellt, der eine erste einfache

Einbindung von Gruppenentscheidungen erleichtern soll. Gemeinsame Tätigkeiten sind

derzeit im vorliegenden Modell nur innerhalb eines Haushalts möglich, wenn die Haus-

haltsmitglieder sich im Haushalt befinden. Weiterhin können Agenten mit zu geringem

Alter (Kleinkinder) keine eigenen Entscheidungen treffen. Sie unternehmen sozusagen

gemeinsame Tätigkeiten mit einem zugeordneten älteren Agenten. Zu guter Letzt kann

eine gemeinsame Tätigkeit aus individuellen Tätigkeitsentscheidungen interpretiert wer-

den, z.B. wenn es nur einen Fernseher im Haushalt gibt und mehrere Mitglieder des

Haushaltes sich zur gleichen Zeit für die Alternative Fernsehen entscheiden.

115

Modell zur Abschätzung veränderter Energieverbräuche unter

Berücksichtigung städtischer Formen und veränderter Zeitbudgets

5.4 Modell zur Abschätzung veränderter

Energieverbräuche unter Berücksichtigung

städtischer Formen und veränderter Zeitbudgets

In diesem Kapitel wird die praktische Umsetzung einer auf den urbanen Raum bezoge-

nen Tagesaktivitätensimulation vorgestellt. Zunächst wird der Modellierungshintergrund

beschrieben und eine kurze Modellübersicht gegeben. Darauf aufbauend werden Grenzen

des Modells aufgezeigt. Anschließend erfolgt eine Beschreibung der Modelleingaben und

der Modellverarbeitung. Auf die dabei verwendeten einzelnen Modellklassen wird, um

ein besseres Verständnis für die Modellierung zu gewährleisten, in eigenen Abschnitten

näher eingegangen. Den Abschluss bildet die Vorstellung von Simulationsergebnissen

und die Beurteilung der Mikrosimulation.

5.4.1 Modellübersicht

Die Umsetzung des Modells wurde in der Programmiersprache C# vorgenommen. Da

die Agenten mit Eigenschaften und Methoden ausgestattet werden, wurde ein objekt-

orientierter Ansatz für die Programmierung gewählt. Des Weiteren sind objetorientierte

Paradigmen wie z.B. Datenkapselung für die Modellierung von Bedeutung. Als Program-

mierumgebung wird Microsoft Visual Studio (C# Express Edition 2008) verwendet, was

durch die Firma Microsoft kostenfrei zur Verfügung gestellt wird. Als Softwareplatt-

form dient das Microsoft Net Framework 3.5. Die Modellierung wurde dabei als Kon-

solenanwendung umgesetzt. Neben der kostenfreien Entwicklungsumgebung wurde das

Modell auch aufgrund der guten Dokumentationsmöglichkeiten in C# umgesetzt. So

ist C# nicht nur für die praktische Anwendungsprogrammierung geeignet (dies wäre

z.B. Visual Basic auch), sondern bietet darüber hinaus durch den gelieferten Compi-

ler die Möglichkeit automatisch eine XML-Dokumentationsdatei anzulegen, ohne dass

der Programmierer Kenntnis von XML haben muss. Methoden sind im Quellcode durch

Tags wie z.B. summary oder param beschreibbar. Sie dienen in diesem Fall dem Doku-

mentieren des Zwecks und der zu übergebenden Parameter. Dies erleichtert zukünftige

Abänderungen und Erweiterungen enorm, da man sich ohne den Quellcode zu kennen,

im Objektbrowser die Methodenbeschreibung (die im Hintergrund als XML-Dokument

abgespeichert ist) ansehen kann.

116



Die Mikrosimulation ist mit einem GIS in einfacher Weise gekoppelt (vgl. Abb. 5.1 ).

Einerseits werden Daten, die im GIS gehalten werden, der Simulation zugänglich gemacht

und andererseits können Ergebnisse der Simulation mit Hilfe des GIS visualisiert und

weiter analysiert werden. Dazu können Modellergebnisse in ein GIS lesbares Format

exportiert werden.

Die abzuarbeitenden Schritte für einen Simulationsdurchlauf sind in Abbildung 5.4 dar-

gestellt.

Abbildung 5.4: Ablauf der Modellierung

��

��

��

��

��

��

��

��!��

��"��

#�� $ ��%

Das Kernstück der Simulation stellt die Generierung von Aktivitäten während eines Zeit-

raumes von 24 Stunden dar. Dabei wird die Wahl der Aktivitäten durch verschiedene

Randbedingungen beeinflusst. Der Ablauf der Simulation umfasst die Schritte: Einlesen

der aus dem GIS stammenden Daten, Zuordnung von Agenteneigenschaften, Festlegen

der Haushaltsausstattung sowie die Bestimmung der Aktivitätenprogramme der Agen-

ten. Mit den Entscheidungen der Agenten für Aktivitäten sind die Entscheidung über

den Ort der Aktivität und die Dauer der Aktivität verbunden. In einem weiteren Schritt

werden die gewählten Aktivitäten, sofern dies möglich ist, mit Energiebedarfen assozi-

iert. Die ersten beiden Schritte entsprechen der Modelleingabe und werden im Abschnitt

5.4.5 näher behandelt. Die anschließenden Schritte der Zuordnung von Agenten- und

Haushaltseigenschaften können als Vorverarbeitung der eigentlichen Simulation angese-

hen werden. Sie werden im Abschnitt 5.4.6 beschrieben. Die eigentliche Verarbeitung,

also die Tagesaktivitätengenerierung, ist in Abschnitt 5.4.8 dargelegt.

117



In den folgenden Kapiteln 5.4.2 bis 5.4.4 wird die Auflösung und Abgrenzung des Modells

näher beschrieben.

5.4.2 Räumliche Auflösung des Modells

Die räumliche Auflösung des Modells ist durch die aus dem GIS stammenden Koordi-

naten bestimmt. Dies sind vor allem die räumlichen Koordinaten der Haushalte und

die Koordinaten weiterer Punkte (Arbeitsplätze, Restaurants, . . . ), die als Aktivitäten-

standorte von Bedeutung sind. Übertragen auf reale Anwendungsbeispiele ist somit die

Beachtung administrativer Grenzen für Simulationen nicht notwendig. Für umgesetzte

Simulationsdurchläufe wird eine räumliche Ausdehnung vorgegeben, so dass Aktivitäten

nur innerhalb dieses Gebietes ausgeführt werden.

Das Stadtmodell ist so allgemein gehalten, dass prinzipiell Städte verschiedener Größen-

klassen modelliert werden können. Auf Grund komplexerer Beziehungen als auch einer

aufwendigeren Datenbeschaffung die mit einem vermehrten Berechnungsaufwand einher-

geht, ist das Stadtmodell jedoch für zu große Städte derzeit eher weniger geeignet. Zu

kleine Städte sind als Untersuchungsraum wegen der geringen Infrastrukturausstattung

ebenfalls nicht so gut geeignet. Somit sind akzeptable Ergebnisse eher für mittelgroße

Städte (Bevölkerung von ca. zehn- bis hunderttausend Einwohnern) zu erwarten. Ener-

gieströme können sowohl in real existierenden Städten als auch in rein fiktiven Städten

untersucht werden.

5.4.3 Zeitliche Auflösung des Modells

Das Modell kann zu den kurz- bis mittelfristigen Modellen gerechnet werden. Der Simu-

lationszeitraum beträgt 24 Stunden. Die Simulation kann einen derzeitigen oder einen

in der Zukunft liegenden Tag abbilden. Unter Zukunft ist dabei nicht ein direkter Zeit-

punkt zu verstehen, sondern vielmehr eine Simulation unter Randbedingungen, wie sie

in der Zukunft vorstellbar ist.

Viele Aktivitäten abbildende Modelle, wie auch das hier vorgestellte Modell, beziehen

sich auf einen Zeitraum von 24 Stunden, obwohl Abhängigkeiten zwischen Tagen exis-

tieren. So sind ausgewählte Tätigkeiten nur im Zusammenhang mit Wochen, Monaten

oder sogar Jahren (z.B. Wechsel des Wohnsitzes) sinnvoll zu betrachten. In der kurz-

fristigen Perspektive werden in diesem Zusammenhang Modelle eingesetzt, die mehrere

118



Tage (multi-day modeling) berücksichtigen. Diese Modelle können helfen, Rhythmen in

Aktivitätsmustern zu finden, die Variationen von Tag zu Tag zu beobachten und Ab-

hängigkeiten zwischen den Tagen zu untersuchen (vgl. z.B. [18], Bhat u. a.). Für die

hier durchgeführte 24 h Simulation, wird implizit vorausgesetzt, dass Tage unabhängig

voneinander sind. Dies stellt aber im Kontext dieser Arbeit keine große Einschränkung

dar, da im vorliegenden Fall immer nur ein Tag betrachtet wird.

5.4.4 Inhaltliche Abgrenzung

Die vorliegende Simulation untersucht die Tagesaktivitäten einer Stadtbevölkerung. Die

Aktivitäten werden, wo dies möglich ist, mit Energieverbräuchen assoziiert. Für die Be-

stimmung von Energieverbräuchen wird hier in erster Linie Elektrizität berücksichtigt.

Weiterhin werden für Außer-Haus-Aktivitäten Entfernungen betrachtet. Diese können

mit Treibstoffbedarfen verknüpft werden. Prinzipiell kann mit einem Modell, wie dem

vorliegenden, auch versucht werden, den Wärmebedarf von Haushalten zu schätzen. Der

Wärmebedarf wurde in der vorliegenden Arbeit jedoch nicht berücksichtigt und bleibt

zukünftigen Implementierungen vorbehalten85. Bei der Modellierung werden ausschließ-

lich Haushalte betrachtet, so dass der Gewerbe-, Handels- und Dienstleistungssektor

(GHD-Sektor) aber auch die Industrie nicht implementiert wurden86. Weiterhin ist an-

zumerken, das abgesehen vom Mobilitätsbereich nur der direkte Energieverbrauch Be-

achtung fand87. Betrachtet man die absoluten Werte des direkten und des indirekten

Energiebedarfes, so zeigt sich aber die hohe Bedeutung dieser Unterscheidung für den

Haushaltssektor. Laut des statistischen Bundesamtes betrug der indirekte Energiever-

brauch für private Haushalte zur Herstellung konsumierter Waren und Dienstleistungen

für das Jahr 2003 6000 PJ. Dies entspricht dem 1,5-Fachen des direkten Energieverbrau-

ches für dasselbe Jahr.

85Da der Wärmebedarf relativ unabhängig von den ausgeführten Aktivitäten der Agenten ist, wurde erim Simulationsmodell vorerst nicht berücksichtigt. Eine zukünftige Implementierung ist vorgesehen.

86Der GHD-Sektor wurde aufgrund der Nichtverfügbarkeit von adäquatem Datenmaterial in dieserModellierung nicht implementiert.

87Der indirekte Energieverbrauch beinhaltet global produzierte Güter und Dienstleistungen und wurdedaher aufgrund der lokalen Ausrichtung dieser Arbeit nicht weiter berücksichtigt. Weiterhin sprachdie Betrachtung des Energieverbrauches in einem Zeitraum von 24 Stunden gegen eine Implemen-tierung des indirekten Energieverbrauches.

119



Abbildung 5.5: Energieverbrauch von Konsumenten in den USA

��

��

��

��

��

��

��

��

�

��

� � ��

�

�

��

��

��

��

Quelle: nach Bin und Dowlatabadi (vgl. [20])

In Abbildung 5.5 sind die Bereiche der Energieverbräuche von Konsumenten der USA für

das Jahr 1997 angegeben. Nach der Abbildung sind der Haushalts-, der Transport- und

der Nahrungsmittelbereich die wichtigsten Sektoren des indirekten Energieverbrauches

(vgl. [20], Bin u. Dowlatabadi). Der indirekte Energieverbrauch übersteigt nach Anga-

ben von Bin und Dowlatabadi den direkten Energieverbrauch um Faktor 2. Eine Studie

von Biesiot und Noorman beschäftigt sich mit Haushaltsenergieverbräuchen in den Nie-

derlanden (vgl. [19], Biesiot u. Noorman). Sie zeigt, dass der indirekte Energiebedarf

während des Zeitraumes 1950-1990 zwischen 50% − 60% des gesamten Energiebedarfs

betrug.

5.4.5 Modell-Eingabe

Als Eingabedaten werden für die Mikrosimulation Daten aus Textdateien (.txt) einge-

lesen. Die Daten werden in einem GIS (im vorliegenden Fall ArcGis) unter Verwendung

von ArcObjects generiert bzw. im GIS gehalten und mittels Visual Basic for Applikati-

on (VBA) Skripten als Textdateien exportiert. Die Daten beschreiben dabei die urbane

Form und dienen als Grundlage für die auf sie zugreifende Mikrosimulation.

120



Abbildung 5.6 zeigt ein im GIS speziell für diese Arbeit implementiertes GUI mit dem

urbane Formen generiert werden können. Die Programmierungen basieren wiederum auf

VBA.

Abbildung 5.6: Erzeugung urbaner Formen für die Mikrosimulation

Wie in der obigen Abbildung ersichtlich ist, wird ein Grundraster (Stadtfläche) vorgege-

ben. Dieses Raster ist im vorliegenden Fall quadratisch, kann prinzipiell jedoch beliebig

sein. Für die Stadtflächenerzeugung steht ein eigenes Skript zur Verfügung, mit dem

die Rasterbreite als auch die Rasterzellenzahl in x- und y-Richtung festgelegt werden

können88. Das Skript erzeugt aus den gegebenen Informationen eine Polygon Shapeda-

tei. In diesem Raster werden eine vorgegebene Anzahl von Punkten zufällig verteilt.

Diese Punkte werden als die Haushalte der jeweiligen Stadt interpretiert und spiegeln

mit ihrer Verteilung die urbane Form wieder. Da die Haushalte nicht gänzlich zufällig

über die Stadt verteilt sein sollen, sind in diesem Zusammenhang einige Einflussmög-

lichkeiten implementiert worden. An dieser Stelle sei noch einmal an die klassischen

Landnutzungsmodelle erinnert:

88Der Begriff Raster bezieht sich auf die Einteilung der Stadtfläche in Zellen, was nichts mit demBegriff Raster aus Rastergrafiken zu tun hat. Vielmehr handelt es sich bei dem Grundraster umVektordaten.

121



• Ringmodell (E.W. Burgess 1925)

• Sektorenmodell (H. Hoyt 1939)

• Mehrkerne-Modell (C.D. Harris und E.L. Ullmann 1945)

In Städten existieren häufig Sektoren, die dicht bzw. weniger dicht besiedelt sind. Es

gibt daher, wie in Abbildung 5.6 ersichtlich, die Möglichkeit eine Anzahl von Sektoren

festzulegen sowie einen Schieberegler, der die Bedeutung der Sektoren widerspiegelt. In

der Abbildung 5.6 wurde die Sektorenanzahl auf 4 und die Gewichtung auf 95% fest-

gelegt. Das bedeutet, dass fast alle Punkte in 2 Sektoren verteilt werden. Die Sektoren

sind abwechselnd für Wohnraum geeignet bzw. ungeeignet, wobei der erste Sektor bei

einem zufällig gewählten Winkel beginnt. Zur Abbildung dichterer und weniger dicht

besiedelter Städte, steht ein weiterer Schieberegler (Zentralität) zur Verfügung. Um das

Vorhandensein von mehreren Kernen abzubilden, die in der Realität z.B. durch das Zu-

sammenwachsen historisch getrennter Siedlungen entstanden sein können, gibt es einen

letzen Schieberegler (Cluster). Weiterhin ist es möglich Kerne vorzugeben (Punkte aus

einem vorgegebenen Punkt-Shapefile). Zu guter letzt können Gebiete (beliebige Poly-

gone) vorgegeben werden, die für die Bebauung (Punkte im Stadtgebiet) nicht zugän-

gig sind. Dies könnten im realen Stadtbild z.B. Stadtteiche bzw. Stadtwälder sein. In

der Abbildung 5.6 stellt das orangene Polygon ein solches Ausschlussgebiet dar. Durch

das beschriebene Vorgehen besteht die Möglichkeit, verschiedene künstliche Stadtformen

und Stadtgrößen zu generieren. Allerdings können in der derzeitigen Implementierung

ringförmige Strukturen schlecht abgebildet werden und auch Einflussfaktoren, wie die

topographie Situation, werden nicht beachtet. Die topographische Situation könnte zum

Teil durch die Wahl der angesprochenen Ausschlussgebiete berücksichtigt werden. Für

die zukünftige Weiterentwicklung des Modells ist es denkbar, Gebiete unterschiedlicher

Eignung statt reiner Ausschlussgebiete zu verwenden. Nach der Festlegung der Stadtflä-

che und der Wohnorte müssen im Folgenden die Arbeitsstätten und die POIs (Point of

Interests, dazu zählen Einkaufsstätten, Kinos, . . . ) verteilt werden. Die Arbeitsstätten-

koordinaten wie auch die Koordinaten der POIs werden für diese Mikrosimulation nicht

automatisiert generiert, sondern per Hand im GIS bestimmt (digitalisiert)89.

Neben der Nutzung künstlich erzeugter Stadtstrukturen ist es prinzipiell möglich, rea-

le Daten zu integrieren (z.B. reale Adresspunkte, Straßenlayer). Obwohl dies in dieser

89Es wurde sich für dieses Vorgehen entschieden, da die Standortwahl von Arbeitstätten und POIs imStadtgebiet von vielfältigen Einflussfaktoren abhängt, die in dieser Arbeit derzeit nicht berücksichtigtwerden können.

122



Arbeit keine Anwendung findet, könnten in eine Mikrosimulation verschiedene Informa-

tionen aus vorhandenen GIS-Datenbeständen einfließen. Neben den Wohndaten (z.B.

amtliche Daten des Liegenschaftskatasters) könnte ein GIS Informationen über die La-

ge der POIs, der Arbeitsstätten (z.B. von Daten aus Industrie- und Handelskammern)

sowie über die räumliche Lage und Ausdehnung der Stadt liefern. Da sich einige Ar-

beitsstätten aber bevorzugt in bestimmten Regionen (z.B. Stadtzentrum) befinden, ist

es zukünftig denkbar diese automatisiert über das Stadtgebiet zu verteilen. Die Anzahl

urbaner Versorgungseinrichtungen lässt sich über Potenzgesetze (power law) abschätzen

(vgl. [91], Kühnert u. a.). Dieses kann als Xi = X0 ∗Nβi (wobei Ni die Bevölkerungsgröße

ist) beschrieben werden. Nach Kühnert et al. ([91], Kühnert u. a.) ist die Potenzfunkti-

on linear wachsend für Poststellen, Apotheken bzw. Krankenhäuser, sublinear wachsend

für Tankstellen bzw. Autohändler und superlinear wachsend für Restaurants bzw. Ärzte.

Denkbar wären auch weiterführende Datenexporte aus einem GIS, wie z.B. Stadtklima-

daten, Informationen über vorhandene Gewässer oder Höhenmodelle90. In dem für diese

Arbeit erstellten Modell wurde für die Erfassung von Höhenwerten eine statische Klas-

se in die Mikrosimulation integriert. Diese nutzt die Google Elevation API (Application

programming interface) und könnte für weiterführende Simulationen genutzt werden91.

Langfristig ist es vorgesehen, ein solches Simulationsmodell auf reale Siedlungen an-

zuwenden. Dies bietet auch den Vorteil, dass ein auf reale Siedlungen angewendetes

Modell besser validiert werden kann. Um reale Siedlungen abzubilden, ist eine realitäts-

nahe Verteilung von Haushalten notwendig. Hierfür könnten z.B. Fernerkundungsdaten

zur Stadtraumcharakterisierung herangezogen werden, so dass z.B. Einzelhaussiedlungen

von Blockrandbebauungen unterschieden werden können (vgl. [181], Wurm u. Tauben-

böck). Ein weiterer Ansatz um reale Siedlungsdaten zu erhalten, ist das Geokodieren

(geocoding) beziehungsweise das umgekehrte Geokodieren (reverse geocoding). Beim

Geokodieren werden Adressen auf Koordinaten abgebildet. Im umgekehrten Fall wird zu

Koordinaten, die am dichtesten liegende Adresse gesucht. Die Google Maps-API bietet

für jeden Nutzer die Möglichkeit bis zu 2500 HTTP-Geokodierungsabfragen täglich zu

stellen. Es muss jedoch darauf hingewiesen, dass die Google Anfrageergebnisse nur für

Google Karten genutzt werden können. Für weitere Verwendungen, auch im Forschungs-

bereich, ist eine explizite Erlaubnis von Google notwendig. Im Simulationsmodell wurde

eine Geokodierung, die auf Google basiert, implementiert, so dass diese möglicherweise

zukünftig genutzt werden kann. Informationen zu Adressen könnten aus Quellen wie

90Bei Höhenmodellen können z.B. GTOPO30 und SRTM Daten frei bezogen werden.91Hierzu ist eine explizite Genehmigung von Google notwendig.

123



Telefonbüchern oder den Gelben Seiten entnommen werden. Weiterhin könnte als Da-

tenquelle Openstreetmap92 verwendet werden.

Im Rahmen der Programmierung wurde eine Prozedur geschrieben, die mit Hilfe von

Google die Nutzungen für einen festgelegten Ort sucht (z.B. Restaurants). Aus einer

von Google zurückgegeben kml-Datei werden dabei die Adressen gefiltert und mit Hilfe

der Geokodierung deren Koordinaten bestimmt. Die Namen, Adressen und Koordinaten

dieser Analyse werden in eine Textdatei bzw. in ein dbase Datenbankformat93 gespei-

chert. Bis auf Ausnahmen werden zu allen Adressen Koordinaten gefunden. Es ist daher

notwendig, die gefundenen Daten auf Aktualität und Vollständigkeit zu prüfen, bevor

sie für die Simulation nutzbar gemacht werden können. Des Weiteren sei angemerkt,

das Google suchbegriffsverwandte Objekte bestimmt (bspw. Cafés statt Restaurants).

Die Erschließung der Richtigkeit der Suchergebnisse muss also über den Namen erfolgen

bzw. unter Zuhilfenahme weiterer Quellen.

Wie eingangs erwähnt, zeigen die hier beschriebenen Implementierungen Möglichkeiten

der Datenerfassung durch die Nutzung des World Wide Webs auf. Eine wirkliche Nut-

zung dieser Datenquellen fand, unter anderem auf Grund der Zielstellung der Arbeit

und wegen fehlenden Nutzungsrechten, nicht statt.

Das nächste Kapitel behandelt die notwendigen Schritte im Vorfeld der eigentlichen

Simulation von Tagesaktivitäten. Hierzu ist unter anderem die Erfassung der Haushalts-

struktur (Haushaltsgrößen und Einkommensklassen) zu verstehen.

5.4.6 Modell-Vorverarbeitung

Nach dem Einlesen der Eingabedaten, also der Generierung der Stadtstruktur mit den

jeweiligen Haushalten und den POIs, ist es notwendig weitere Schritte durchzuführen,

bevor die eigentliche Tagesaktivitätengenerierung stattfinden kann. Diese Schritte bein-

halten die Zuordnung von Eigenschaften zu den Agenten und die Festlegung der Haus-

haltsstruktur. Dabei ist es das Ziel, die Verteilung soziodemographischer Merkmale, wie

92Hier sind die einzelnen Daten jedoch zu prüfen, da die Datenqualität erheblich abweichen kann.93Dbase wurde gewählt, weil es am einfachsten in ArcGIS eingelesen werden kann (Add xy data). Das

Speichern der dbf-Dateien wird mit Hilfe des dbfExporters umgesetzt. Der dbfExporter ist eine inC# geschriebene Bibliothek, die unter der LGPL veröffentlicht ist. Der Vorteil dabei ist, dass keineODBC Treiber benötigt werden.

124



die Altersstruktur, die Haushaltsgrößen und die Einkommensklassen, so gut wie mög-

lich abzubilden bzw. für eine künstlich erzeugte Stadtstruktur plausible Zuordnungen zu

liefern.

In der Praxis sind oft verschiedene Randverteilungen für einzelne Merkmale bekannt

(z.B. Einkommensverteilung oder Verteilung der Haushaltsgrößen), wobei aber nicht klar

ist, wie die gemeinsame Verteilung beschaffen ist. Für die Festlegung der gemeinsamen

Verteilung können eventuell vorhandene Stichproben genutzt werden. Die Bestimmung

einer gemeinsamen Verteilung hinsichtlich der Randverteilungen stellt eine grundlegen-

de Aufgabe der Vorverarbeitung dar. Dies ist notwendig, um beispielsweise festzulegen,

wie viele Einpersonenhaushalte einer niedrigen Einkommensklasse angehören. In diesem

Kontext wird im englischen Sprachgebrauch der Begriff Population Synthesizer verwen-

det.

Das meist genutzte Verfahren für die Abbildung gemeinsamer Merkmalsverteilung ist das

Iterative Proportional Fitting (IPF). Dieses wurde in dem vorliegenden Modell als Funk-

tion einer Klasse für 2 bzw. 3 Dimensionen bei Vorhanden- oder Nicht-Vorhandensein

einer Startverteilung94 implementiert. Nach Müller und Axhausen hat das IPF dabei die

folgenden beiden positiven Eigenschaften (vgl. [116], Mueller u. Axhausen):

• Kreuzproduktverhältnisse bleiben erhalten

• Minimierung der relativen Entropie95

Die relative Entropie ist dabei durch die Kullbach-Leibler-Distanz berechenbar.

DKL =∑

x

P (x) log2

P (x)

Q(x)

Die Entropieminimierung ist u.a. bei Ireland und Kullback beschrieben ([80], Ireland u.

Kullback). Ein neuerer Ansatz, der es durch eine Heuristik erlaubt, simultan Haushalts-

als auch Personenkategorien anzupassen, wurde durch Ye et al. vorgestellt (vgl. [183], Ye

u. a.). Dieses Iterative Proportional Updating (IPU) wurde ebenfalls in das Simulations-

modell implementiert. Die beiden implementierten Verfahren dienen dazu, zukünftige

Abbildungen realer Stadtverhältnisse zu ermöglichen.

94Diese kann aus einer Stichprobe gewonnen werden.95Relative Entropie: Maß für die Unähnlichkeit von Wahrscheinlichkeitsverteilungen.

125



Da die Simulation in dieser Arbeit nur für fiktive Gegebenheiten getestet wird, liegt

das Augenmerk der Vorverarbeitung hauptsächlich darauf einen sinnvollen, d.h. plausi-

blen Ausgangszustand zu generieren. Aus dem GIS eingelesene Daten beinhalten für die

Haushalte lediglich Informationen über die Lage in Form von Koordinaten sowie über

die Haushaltsgröße durch die entsprechende Anzahl der Bewohner. In dem Modell wurde

eine Klasse Agenten implementiert, die Zugriff auf alle vorhandenen Agenten (Instan-

zen der Klasse Agent) besitzt und vordergründig die Aufgabe hat, Eigenschaften der

Agenten zu verändern. Hierbei muss der Unterschied zwischen der Klasse Agenten und

der Klasse Agent beachtet werden. Die Klasse Agent mit ihren Eigenschaften wird in

Kapitel 5.4.7 beschrieben.

Zu Beginn, wenn von einzelnen Agenten Instanzen gebildet werden, besitzen die Ei-

genschaften der Agenten keine sinnvollen Werte, da deklarierte Variablen mit Stan-

dardwerten initialisiert werden. Unter Eigenschaften sind in diesem Zusammenhang vor

allem Alter und Geschlecht zu verstehen. Das Alter wird den Agenten auf Basis der

Haushaltsgröße stochastisch (gleichverteilt aus festgelegten Altersbereichen) zugeordnet.

Die Zuordnung plausibler Werte bedeutet in diesem Zusammenhang beispielsweise, dass

bei Einpersonenhaushalten der betreffende Agent ein vorgegebenes Mindestalter über-

schreiten muss. Bei Zweipersonenhaushalten sollte die überwiegende Mehrheit aus einem

männlichen und einem weiblichen Agenten bestehen. Mehrpersonenhaushalte werden

fast ausschließlich als klassische Familien (2 Erwachsene plus Kinder) angesehen. Dabei

erhalten die Eltern ein ähnliches Alter. Zur Gewährleistung plausibler Ergebnisse, ist

das Alter der Kinder lose an das Alter der Erwachsen gekoppelt, um zu vermeiden, dass

z.B. Eltern im Alter von zwanzig Jahren, fünfzehnjährige Kinder haben. Durch dieses

Vorgehen werden reale demographische Situationen und Haushaltsstrukturen zwar nicht

gänzlich erfasst (z.B. werden Dreigenerationenhaushalte, betreutes Wohnen, . . . nicht

abgebildet), aber es wird eine sinnvolle Ausgangssituationen für anstehende Simulati-

onsdurchläufe generiert.

Nach der Festlegung von Alter und Geschlecht werden den Agenten durch weitere Metho-

den Arbeitsplätze bzw. andere Agenten als Bekannte zugeordnet. Dabei ist die Reihen-

folge der Methodenausführung wichtig, weil das Alter einen Einfluss auf die Zuordnung

eines Kindergartenplatzes, einer Schule oder eines Arbeitsplatzes hat. Außerdem werden

ab einem festgelegten Alter (Rentenalter) der Agenten keine Arbeitsplätze mehr zuge-

ordnet. Analog zu der Klasse Agenten wurde eine Klasse Haushalte geschaffen, die eine

Liste über alle städtischen Haushalte besitzt. Die Aufgabe dieser Klasse ist es, Methoden

126



bereitzustellen, die die Eigenschaften aller Haushalte manipulieren können. So werden

Methoden bereitgestellt, die für alle Haushalte z.B. das Haushaltseinkommen oder auch

die Haushaltsausstattung festlegen. Hierbei muss wiederum der Unterschied zwischen

der Klasse Haushalte und der Klasse Haushalt beachtet werden. Die Klasse Haushalt

mit ihren Eigenschaften wird in Kapitel 5.4.7 beschrieben.

Die Festlegung der Haushaltsausstattung stellt einen weiteren Schritt der Vorverar-

beitung dar. Hierzu werden Daten aus öffentlichen Statistiken herangezogen. Darauf

aufbauend erfolgt die Zuordnung zu den Haushalten stochastisch nach den gegebenen

Wahrscheinlichkeiten. Die Ausstattungsgrade von Haushalten in Deutschland sind im

Folgenden für ausgewählte Technologien aufgelistet.

• Elektroherd 84,0%

• Fahrrad 79,5%

• Fernseher 94,1%

• Geschirrspülmaschine 62,5%

• Kühlschrank 98,6%

• Personal Computer 75,4%

• Personenkraftwagen 77,1%

• Waschmaschine 95,2%

• Wäschetrockner 38,5%

Die angegebenen Daten wurden der regelmäßig erhobenen Einkommens- und Verbrauchs-

stichprobe vom statistischen Bundesamt entnommen (vgl. [14], Behrends u. Kott). Der

Bezugszeitpunkt ist der erste Januar 2008. Der in der Aufzählung genannte Ausstat-

tungsgrad mit Waschmaschinen wurde in der Einkommens- und Verbrauchsstichprobe

aus dem Jahr 2003 erhoben (vgl. [13], Behrends u. a.). Von Eberle stammt der Ausstat-

tungsgrad mit Elektroherden (vgl. [45], Eberle). Die in der Aufzählung genannten 84%

beziehen sich auf das Jahr 2004.

Der Ausstattungsgrad von Haushalten kann erheblich vom durchschnittlichen Ausstat-

tungsgrad abweichen. Diese Abweichungen sind insbesondere von der Haushaltsgröße

und dem Haushaltseinkommen abhängig. So reicht der Aussattungsgrad mit PCs von

56,0% (bei einem monatlichen Haushaltsnettoeinkommen von unter 900 Euro) bis zu

127



96,8% (bei einem monatlichen Haushaltsnettoeinkommen von 5000 bis unter 18000 Euro)

(vgl. [14], Behrends u. Kott). Die Ausstattung mit PKWs variiert von 56,9% in Einperso-

nenhaushalten bis zu 95,9% in Fünf- und Mehrpersonenhaushalt (vgl. [153], Statistisches

Bundesamt). Das statistische Bundesamt veröffentlicht weiterhin Zahlen zu Ausstat-

tungsgraden hinsichtlich Ost- und Westdeutschlands, der einzelnen Bundesländer, der

sozialen Stellung, des Alters des Haupteinkommensbeziehers als auch des Haushaltstyps

oder in Bezug auf die Wohnsituation, die zwischen Mietwohnung bzw. Wohneigentum

unterscheidet (vgl. z.B. [153], Statistisches Bundesamt).

Mit der Festlegung der Haushaltsausstattung ist die Vorverarbeitung der Simulation ab-

geschlossen. Im nächsten Kapitel werden die einzelnen implementierten Klassen genauer

erläutert, bevor in Kapitel 5.4.8 die eigentliche Hauptverarbeitung im Modell dargestellt

wird.

5.4.7 Modellklassen

Da die Programmierung dem objektorientierten Ansatzes folgt, werden nun die imple-

mentierten Eigenschaften und Methoden der wichtigsten Klassen beschrieben.

5.4.7.1 Klasse Agent

Die Agenten in der Simulation sind durch eine Reihe von Eigenschaften gekennzeichnet.

Diese sind im Folgenden aufgelistet:

• Agentenidentifikationsnummer

• Haushaltsidentifikationsnummer

• Alter

• Geschlecht

• Status

• Arbeitsplatz (Koordinaten)

• Einstellung

• Mobilitätstyp

• Aktuelle Position (Koordinaten)

• Liste_Tätigkeiten

• Liste_Tätigkeitsdauer

• Autoverfügbarkeit

128



Die aufgelisteten Eigenschaften sollen an dieser Stelle näher erläutert werden. Zuerst

erhält jeder Agent eine Agentenidentifikationsnummer. Da jeder Agent zu einem Haus-

halt gehört, wird diese Information durch die Haushaltsidentifikationsnummer mitge-

speichert. Der Hintergrund hierfür ist, dass Entscheidungen in der Realität nicht aus-

schließlich allein oder nur für sich selbst getroffen werden. Gerade in Haushalten wird

oft gemeinsam geplant und gehandelt (z.B. Familienausflug). Da verhandelte Entschei-

dungsfindungen sehr komplex sind, ist es üblich, dass in Modellierungsansätzen Haus-

haltsentscheidungen durch einen ausgewählten Agenten (z.B. Hauptperson im Haushalt)

getroffen werden. Bradley und Vosha listen einige Ansätze auf, in denen Haushaltsent-

scheidungen lediglich von einer Person (household heads) abhängig sind und somit andere

Haushaltsmitglieder als aktive Entscheider nicht berücksichtigt werden (vgl. [27], Brad-

ley u. Vovsha). Die Berücksichtigung von Hauptpersonen (household heads) ist nicht

zwingend notwendig, jedoch auch vorteilhaft, um Personen mit ähnlichen Rollen im

Haushalt vergleichen zu können (vgl. [129], Přibyl).

Durch die Eigenschaft Status wird die “berufliche Situation“ der Agenten erfasst (z.B.

Kleinkind, Schüler, arbeitslos, teilzeitbeschäftigt, vollzeitbeschäftigt oder Renter). Dies

wird genutzt, um den Agenten gegebenenfalls eine Schule oder eine Arbeitsstätte zuzu-

ordnen. Andererseits beeinflusst die Eigenschaft Status auch die zeitliche Verteilung von

Tagesaktivitäten.

Das Merkmal Einstellung bezieht sich auf das Umweltbewusstsein der Agenten. In der

derzeitigen Implementierung wird Einstellung sehr vereinfacht nur binär in umweltbe-

wusst und weniger umweltbewusst unterteilt. In diesem Zusammenhang kann auf die

in Kapitel 5.3.3 angesprochenen Sinus Milieus bzw. Lebensstile verwiesen werden. Zu-

künftig könnte das Merkmal Einstellung Lebensstile bzw. Milieus adäquater erfassen.

Es sind jedoch noch weitere Forschungsarbeiten notwendig, um die Themen Einstellung,

Zeitnutzung und Energiebedarf sinnvoll miteinander verbinden zu können.

Die Eigenschaft Mobilitätstyp wurde eingefügt, da Personen grundsätzlich ein unter-

schiedliches Mobilitätsverhalten aufweisen, was gut klassifizierbar ist. So unterscheidet

Kramer die folgenden qualtitativen Mobilitätstypen (vgl. [98], Kramer):

• Unreflektierte/r PKW-Nutzer/in

• Rational/r Nutzer/in der Vielfalt

• ÖPNV-Nutzer/in und/oder Fahrradnutzer/in aus Ermangelung eines PKWs

129



• Autoverweigerer/in aus Überzeugung

• Emotionale/r Spontan-Entscheider/in

Diese Unterteilung stellte sich als trennscharf heraus, so dass in der durch Kramer durch-

geführten Befragung die Teilnehmer relativ problemlos einem Mobilitätstyp zugeordnet

werden konnten. Allerdings erheben die von Kramer bestimmten Mobilitätstypen keinen

Anspruch auf Vollständigkeit (vgl. [98], Kramer).

Als Methoden können Agenten Entfernungen zu Zielorten bestimmen. Dafür wird die

aktuelle Position als Agenteneigenschaft mitgeführt. Die Entfernungsbestimmung ist für

die Verkehrsmittelwahl von Bedeutung. Weitere implementierte Methoden betreffen das

Gedächtnis der Agenten. So gibt es eine Methode, mit der bestimmt wird, ob eine Tätig-

keit schon einmal ausgeführt wurde. Außerdem ist es möglich abzufragen, ob in letzter

Zeit, z. B. in den letzten 2 Stunden, eine bestimmte Tätigkeit vollzogen wurde. Dafür

besitzt jeder Agent eine Liste, die alle bis zum aktuellen Zeitpunkt vollzogenen Tätig-

keiten erfasst sowie eine Liste, die die Tätigkeitsdauern enthält. Die angesprochenen

Methoden sind wichtig, um zukünftig anstehende Tätigkeitsentscheidungen beeinflussen

zu können. Ziel ist es dadurch, unrealistische Tätigkeitsverläufe während des Tages zu

vermeiden.

5.4.7.2 Klasse Haushalt

Die Haushalte sind dadurch gekennzeichnet, dass sie sich aus einer bestimmten Anzahl

von Haushaltsmitgliedern zusammensetzen und feste Koordinaten besitzen. Die Lage der

Haushalte wird, wie erwähnt, aus einem GIS geliefert und über eine Textdatei eingelesen.

Die Klasse Haushalte wird genutzt um Ausstattungen (Haushaltsausstattung) festzule-

gen, die den Agenten des Haushaltes prinzipiell zur Verfügung stehen. Den Haushalten

werden, wie in Kapitel 5.4.8 beschrieben, Ausstattungen (Anzahl von PKWs, Anzahl

Fernseher, Anzahl Computer, . . . ) zugeteilt. Daten zur Haushaltsausstattung können

amtlichen Statistiken, wie der Einkommens- und Verbrauchsstatistik (EVS), die alle

5 Jahre erhoben wird, entnommen werden. Weitere Eigenschaften der Haushalte sind

die verfügbare Wohnfläche sowie das Haushaltseinkommmen. Die Wohnfläche kann zur

Schätzung des Raumwärme- bzw. des Bedarfs an Energie für Beleuchtungszwecke heran-

gezogen werden. Das Haushaltseinkommen ist der bedeutendste Faktor bei der Erklärung

der Varianz des Gesamtenergiebedarfs von Haushalten (vgl. [168], Vringer u. a.).

130



Um in zukünftigen Modellierungen zusätzlich zum Strombedarf den Wärmebedarf ab-

schätzen zu können, sollten Gebäudetypen (z.B. Einfamilienhaus, Reihenhaus) und der

Sanierungsstand implementiert werden. Des Weiteren ist es denkbar, den Haushalten

und damit den Agenten Milieus zuzuordnen.

5.4.7.3 Klasse Umwelt

Der Mensch trifft seine Entscheidungen aus einem bestimmten Kontext heraus. Dabei

sind auch Einflüsse aus der Umwelt der Agenten von Bedeutung. Im Modell wird un-

ter Umwelt vereinfacht das Wetter, die Zeit sowie die Lage im Raum verstanden. Das

Wetter wird nur binär in gut (sonniger Schönwettertag) bzw. schlecht (verregneter Tag)

eingeteilt. Somit können Tage simuliert werden, an denen Außer-Haus-Aktivitäten bzw.

Aktivitäten im Haus eine unterschiedliche Gewichtung erhalten. Des Weiteren wird die

Verkehrsmittelwahl durch das Wetter beeinflusst. “. . . it is shown that the weather clearly

is a variable environmental factor that is able to trigger the execution of different scripts

in people’s mental maps“ (vgl. [76], Hühnerbein u. a., S. 93). So sehen Menschen die ge-

wöhnlicherweise mit dem Fahrrad fahren schlechtes Wetter als eine Ausnahmesituation

an, in der dann beispielsweise der Bus benutzt wird (vgl. [76], Hühnerbein u. a.). Auch in

den Untersuchungen von Kramer wurde die Witterung häufig als Entscheidungskriterium

der Verkehrsmittelwahl genannt. Bei der Frage nach den wichtigsten Einflussfaktoren auf

die Verkehrsmittelwahl, belegte die Witterung insgesamt den achten Rang unter zwölf

Kriterien (vgl. [98], Kramer).

In der implementierten Klasse Umwelt beschreibt die Zeit den Tag des Jahres als auch, ob

es sich bei dem zu simulierenden Tag um einen Wochen- bzw. einen Wochenendtag han-

delt. Mit Hilfe der Festlegung eins Tagesdatums kann somit als Typtag z. B. ein Sommer-

oder Wintertag simuliert werden. Die geographische Lage (Koordinaten) lässt auf das

Land oder die Klimazone schließen. In der vorliegenden Simulation wird die geographi-

sche Lage erst einmal ausschließlich dafür genutzt, um die Zeit des Sonnenauf- bzw.

Sonnenuntergangs näherungsweise zu berechnen. Die Lichtverhältnisse beeinflussen ei-

nerseits die Aktivitäten, andererseits muss mangelnder Lichteinfall durch Beleuchtung96

und somit zusätzlichem Energieverbrauch kompensiert werden. Neben dem Sonnenauf-

96Der Bereich Beleuchtung hat nur einen sehr geringen Anteil am Endenergieverbrauch der Haushalte(ca. 1, 5%). Die Tag-Nacht Komponente wurde aber in das Modell aufgenommen, da sie ein gutesBeispiel für die Einbeziehung eines GIS darstellt.

131



und Sonnenuntergang ist die Witterung (heiterer bzw. bewölkter Tag) die wichtigste

Einflussgrösse auf die Beleuchtungszeiten (vgl. [76], Hühnerbein u. a.).

Die Berechnung der Zeiten für Sonnenauf- und Sonnenuntergänge erfolgt über die Zeit-

gleichung und die Bestimmung der Deklination der Sonne97. Die Zeitgleichung ist die

Differenz von wahrer Ortszeit und mittlerer Ortszeit. Aus geographischen Koordinaten

und der Datumsangabe kann die mittlere Ortszeit des Sonnenaufgangs bzw. Sonnenun-

tergangs näherungsweise berechnet werden. Da jedoch bei Zeiterfassungen (z.B. Zeitbud-

getdaten) nicht die mittlere Ortszeit, sondern die Zonenzeit erfasst wird, ist es notwendig

die Zeitzone des zu betrachtenden Ortes zu kennen. In einer groben Vorstellung beginnt

eine neue Zeitzone alle 15◦. Die genaue Aufteilung der Zeitzonen gestaltet sich etwas

komplizierter (z.B. auf Grund administrativer Gegebenheiten)98. Die Zeitzonen für ein-

zelne Koordinaten können z.B. durch den Webservice von GeoNames99 abgefragt werden.

In der vorliegenden Programmierung wird eine konkrete Zeitzone unter Zuhilfenahme

von SharpMap100 sowie Vektordaten von den Zeitzonen (Shapedatei) bestimmt101.

Durch die Erfassung von Sonnenauf- und -untergang sowie der Aufnahme der Witterungs-

verhältnisse wurden die wesentlichen Umweltbedingungen, die für diese Arbeit relevant

sind, implementiert. Zukünftig könnten allerdings Tagesprofile des Temperaturverlaufes

und der Feuchtigkeit der Luft vorgegeben werden, um den Tag differenzierter abbilden

zu können. Einschränkend sei angemerkt, dass bei der letzten deutschen Zeitbudget-

erhebung Witterungsdaten nicht erfasst wurden. Aus den vorhandenen Daten können

Aktivitäten demnach zumeist nicht mit Daten über die Witterung assoziiert werden. Da

keine genauen Orte erfasst wurden, kann dies auch nicht nachträglich geschehen. Da-

her kann anhand der Zeitbudgetdaten nicht überprüft werden, inwieweit die Witterung

Aktivitätsmuster beeinflusst.

97Die vereinfachte Berechnung der Zeiten für Sonnenauf- und -untergang mit maxima-len Abweichungen von wenigen Minuten erfolgte nach Angaben der Internetseite:http://lexikon.astronomie.info/zeitgleichung/

98Eine gute Abbildung der Zeitzonen findet sich z.B. bei Wikipedia:http://de.wikipedia.org/w/index=php?title=Datei:Timezones2010.png

99Dieser Service ist unter folgendem Link verfügbar: http://www.geonames.org/export/web-services.html - Die Ausgabe der Zeitzonen kann im XML oder JSON Format angefordert werden.Es wird darüber hinaus sogar die Zeit des Sonnenauf- und -untergangs ausgegeben.

100SharpMap stellt dynamische Bibliotheken zur Verfügung, welche unter der LGPL veröffentlicht wur-den.

101Die eventuell vorhandene Umstellung auf Sommerzeit wurde für die Zeitzonen erstmal nicht be-trachtet. Zeitzoneninformationen sind unter Windows in der Registry gespeichert, so dass dieseInformationen prinzipiell zur Verfügung stehen.

132



5.4.7.4 Weitere Hilfsklassen

Um die Programmierung übersichtlicher und logisch konsistenter zu gestalten, wurden

weitere Klassen implementiert. Diese Klassen betreffen das Einlesen bzw. Schreiben von

Text- (.txt) und Datenbankdateien (.dbf), die Verwaltung der POIs, Zuordnungen, das

Umrechnen von Zeitschritten in eine Uhrzeit oder auch die Generierung von Zufallszah-

len.

Aufbauend auf den Informationen über die Vorverarbeitung und die einzelnen Klassen

wird im nächsten Kapitel die eigentliche Modellverarbeitung beschrieben.

5.4.8 Modell-Verarbeitung

Dieser Abschnitt erläutert insbesondere die Generierung der Tagesaktivitäten, was den

zentralen Teil der Modellverarbeitung darstellt. Den einzelnen Klassen sowie der Kopp-

lung von Aktivitäten mit Energiebedarfen sind nachfolgend eigene Unterkapitel gewid-

met.

Zur Vorbereitung von Simulationsdurchläufen wurden bisher die Haushaltsverteilung

und die Verteilung der POIs sowie der Arbeitsstätten festgelegt (Verteilung der Koor-

dinaten im Raum). Weiterhin wurden den Agenten Eigenschaften und den Haushalten

Technologien zugeordnet. Abbildung 5.7 zeigt mit den schraffiert dargestellten Feldern

die bisher abgearbeiteten Schritte der Simulation.

Abbildung 5.7: Ablauf der Modellverarbeitung

��

��

��

��

��

��

��

��!��

��"��

#�� $ ��%

&�'$ ��

��

133



Die nächsten Schritte innerhalb der Simulation umfassen die Wahl der Aktivitäten der

Agenten. In der Simulation werden für den Haushaltssektor Tätigkeiten im Haus oder in

der Wohnung und außerhäusliche Aktivitäten unterschieden. Nach der Aktivitätenwahl,

folgt bei Außer-Haus-Aktivitäten das Festlegen des Ortes und die Wahl eines Verkehrs-

mittels. Darüber hinaus wird die Dauer der einzelnen Aktivitäten bestimmt. Als letzter

Schritt erfolgt die Zuordnung von Energiebedarfen zu dem durch die Simulation be-

stimmten Aktivitätenprogramm. Die in Abbildung 5.7 dargestellte sequentielle Abarbei-

tung der einzelnen Schritte spiegelt reale Entscheidungsprozesse allerdings nicht immer

adäquat wieder. So fanden Hannes et al. durch eine qualitative Datenerhebung heraus,

dass bei der Aktivitätenplanung insbesondere hinsichtlich Ziel- und Verkehrsmittelwahl

keine sequenzielle Abfolge zu bestehen scheint (vgl. [70], Hannes u. a.).

Es gibt, da die Dauer der Aktivität, der Ort der Aktivität, das Verkehrsmittel und die

Aktivität selbst bestimmt werden, prinzipiell 4 Fakultät, also 24 Möglichkeiten der An-

ordnungen dieser Entscheidungen. Drei dieser denkbaren Sequenzen werden nachfolgend

aufgeführt:

• Ort —>Verkehrsmittel —>Dauer —>Aktivität

• Ort —>Aktivität —>Dauer —>Verkehrsmittel

• Verkehrsmittel —>Ort —>Aktivität —>Dauer

• . . .

Die verschiedenen Anordnungen der Entscheidungsabfolgen lassen sich großteils plau-

sibel begründen. So ist es z.B. denkbar, dass man gerne einen ganz bestimmten Ort

besuchen möchte und erst danach entscheidet, wie man dort hin gelangt und welche

Aktivitäten man an dem Zielort ausführen wird. Dennoch wurde für die Modellierung

lediglich das in Abbildung 5.7 beschriebene sequentielle Vorgehen gewählt. Dabei steht

insbesondere die Abfolge Aktivitätenfestlegung und anschließende Wahl des Ortes der

Aktivität, in Einklang mit anderen Simulationsmodellen wie dem Travel Activity Sche-

duler for Household Agents (TASHA) (vgl. [137], Roorda u. Habib). Zukünftig sind in

diesem Bereich allerdings weitere Modellanpassungen denkbar.

5.4.8.1 Aktivitätenfestlegung

Zur Realisierung des Schrittes Aktivitätenfestlegung stehen verschiedene Möglichkeiten

zur Verfügung. Ein Ansatz zur Erzeugung von künstlichen Tagesaktivitäten bietet die

134



Nutzung genetischer Algorithmen (vgl. [37], Charypar u. Nagel). Dabei ist es jedoch not-

wendig, Nutzenfunktionen zu unterstellen, um Fitnesswerte für ermittelte Tagesabläufe

zu bestimmen. Die Fitnessfunktion dient bei genetischen Algorithmen der Bewertung der

Güte einer Lösung. Nutzenfunktionen werden bei der hier vorgestellten Implementierung

jedoch nicht explizit unterstellt.

Abbildung 5.8 veranschaulicht, wie die Simulation, und hier speziell die Abfolge von

Tätigkeiten im Verlauf des zu simulierenden Tages, für diese Arbeit prinzipiell umgesetzt

wurde.

Abbildung 5.8: Generierung der Tagestätigkeiten

��

��

��

��

!��

"�#�$��%�&��'��(�� )��

��

*�+�,��)��&��)�

*" *%*� " (%

�" ��%

�( ��

�- ��

-�. ��

��'��

-

�/" �"%�/( /�%

0"

1

��

Abbildung 5.8 orientiert sich dabei an der graphischen Darstellung von Automaten, wie

sie in der Automatentheorie verwendet wird. Zustände werden durch Kreise symbolisiert,

Pfeile stehen für Zustandsübergänge und doppelte Kreise deklarieren Endzustände. Da

die Abbildung die Vorgehensweise verdeutlichen soll, sind nicht alle Zustände als auch

Zustandsübergänge, die im Programm relevant sind, graphisch abgebildet. Auch können

die Agenten in ihrem Zustand verbleiben. Dies ist in der Grafik nur für den Zustand q01

mittels des roten Pfeils verdeutlicht - gilt aber für alle Zustände. Die blauen Pfeile in

135



der Grafik deuten an, dass vielfältige Aktivitätsübergänge möglich sind102.

Die implementierten Zustände orientieren sich an der Liste der Aktivitäten und Ak-

tivitätsbereiche der Zeitbudgeterhebung von 2001/2002. Die Zustandsbeschreibung zu

Abbildung 5.8 ist in Tabelle 5.2 aufgeführt. Die Länge und Bezeichnung der Indices

entspricht der Klassifizierungsebene, die bei der Kodierung der Zeitbudgeterhebung ver-

wendet wurde. Die Zeitbudgetkategorien selbst wurden nur stark vereinfacht in die Si-

mulation einbezogen. So ist z.B. der Bereich Bildung (q2) in der Simulation nur ein

Zustand. Im Gegensatz dazu unterscheidet die Zeitbudgetstudie für den Bereich Bil-

dung/Qualifikation in der feinsten Untergliederung 37 Kategorien. Um die Tagesplanung

der Menschen besser zu verstehen, wäre eine umfassendere Abbildung der Zeitbudget-

kategorien in einem Simulationsmodell anstrebenswert. Da viele Tätigkeiten allerdings

nur bedingt mit Energieverbräuchen gekoppelt werden können, wurden für diese Model-

lierung nur 15 Zustände betrachtet (vgl. Abb. 5.11)103.

Tabelle 5.2: Zustandsbeschreibung - TagestätigkeitenZustand Beschreibungq01 Schlafenq03 Persöhnlicher Bereich (z.B. anziehen)q02 Essen / Trinkenq1 Erwerbstätigkeitq2 Qualifikation / Bildungq4 Ehrenamtliche Tätigkeit / Freiwilligenarbeit / Informelle Hilfeq91 Wegezeiten für Weg zur Arbeit / Bildung (q1,q2,q4)qx Wegezeiten für sonstige außer Haus Tätigkeiten (q361,q364,q512,q52,q6)q361 Einkaufenq364 Medizinische Dienstleistungenq512 Freunde besuchenq52 Unterhaltung und Kulturq6 Teilnahme an sportlichen Aktivitäten bzw. Aktivitäten in der NaturqWnH Wegezeit für Weg nach Hauseq3x Haushaltstätigkeiten (genauso wie q5,q7,q8)

Die Zustandsübergänge in diesem Simulationsmodell basieren auf Übergangswahrschein-

102Auf eine vollständige Abbildung aller Tätigkeitsübergänge ist auf Grund der übersichtlicheren Dar-stellung verzichtet worden.

103Die in der implementierten Simulation berücksichtigten Zustände weichen daher geringfügig von derZustandsautomatenabbildung 5.8 bzw. der Tabelle 5.2 ab. So wurden z.B. medizinische Dienstleis-tungen derzeit nicht berücksichtigt.

136



lichkeiten104. Zustände und deren Übergänge durch Übergangswahrscheinlichkeiten kön-

nen mit Hilfe von Markovketten bzw. Markovprozessen105 beschrieben werden. Widén

et. al aus der Built Environment Energy Systems Group der Universität Uppsala (vgl.

z.B. [176], Widén u. Wäckelgård bzw. [174], Widén u. a.) nutzen nichthomogene Markov-

ketten um Tagesaktivitäten zu simulieren. Sie verfolgen ebenfalls das Ziel, Tagesabläufe

basierend auf Zeitbudgetdaten für die Bestimmung von Energienachfragen nutzbar zu

machen. Bei Widén et. al dienen Zeitbudgetdaten der Bestimmung der Einträge der

Transitionsmatrix. Die generierten Tagesabläufe werden anschließend zur Abschätzung

der Haushaltselektrizitätsnachfragen herangezogen.

Wie Widén aufzeigt, sind Markovketten ein nutzbares Werkzeug zur Abschätzung realis-

tischer Stromnachfragen der Haushalte. In dem in dieser Arbeit erstellten Modell werden

“reine“ Markovketten aufgrund der folgenden Kritikpunkte nicht verwendet. Bei Mar-

kovketten handelt es sich im Normalfall um einen gedächnislosen Prozess (Markovketten

erster Ordnung). In der Realität sind den Menschen jedoch vorangegangene Tätigkeiten

bewusst. Die bisher an einem Tag durchgeführten Aktivitäten beeinflussen dabei zu-

künftig anstehende Entscheidungen. Auch müssten zu einem späteren Zeitpunkt geplan-

te Tätigkeiten bei der Aktivtätenwahl in einem Zeitschritt berücksichtigt werden. Ein

weiterer prinzipieller Kritikpunkt betrifft den Informationsverlust durch das Vernach-

lässigen von Eigenschaften der Agenten. In Zeitbudgetstudien werden unzählige Daten

(z.B. Alter, Geschlecht, Bildungsgrad, Einkommen, usw.) erfasst. Diese Eigenschaften

spielen bei den Tätigkeitsübergangswahrscheinlichkeiten in der Arbeit von Widén et al.

keine Rolle. Die simulierten Haushalte bzw. Bewohner sind sozusagen eigenschaftslos. Da

soziodemografische Merkmale der Personen in den Zeitbudgetstudien mit erfasst wur-

den, könnten sie prinzipiell in Untersuchungen einbezogen werden. Dies wäre z.B. von

Bedeutung, um zu untersuchen, wie jüngere oder ältere Menschen ihre Zeit verbringen.

Auf der Basis solcher Untersuchungen lassen sich dann Energiebedarfe für Städte und

Gemeinden mit unterschiedlicher demographischer Struktur abschätzen. Analysen in Ab-

hängigkeit bestimmter Merkmale sind im Allgemeinen mit dem Ansatz von Widén et. al.

nicht möglich. Auch wird in diesem Ansatz der geographische Raum nicht betrachtet. Die

Raumausstattung beeinflusst jedoch die Ausgestaltung von Tagesabläufen. Da für kon-

krete Orte in der Regel keine Zeitbudgetdaten zur Verfügung stehen, sollten realistische

Tagesabläufe auch auf Basis von Merkmalen wie der Raum- und Haushaltsausstattung

104Es handelt es sich daher nicht um einen nichtdeterministischen Automaten. NichtdeterministischeAutomaten beschreiben lediglich Möglichkeiten von Zustandsänderungen.

105Markovprozesse besitzen im Gegensatz zu Markovketten einen stetigen Zustandsraum.

137



sowie weiteren soziodemographischen Merkmalen der Stadtbevölkerung, generiert wer-

den. Dadurch wäre auch bei fehlenden Zeitbudgetdaten eine Übertragung auf andere

Ortschaften möglich. Insgesamt ist der Ansatz von Widén et al. unter den genannten

Einschränkungen sehr gut für die Untersuchung von Ist-Zuständen geeignet, erlaubt aber

kaum Ausblicke in die Zukunft.

Die im Rahmen dieser Arbeit erstellte Simulation nutzt die Idee der Markovkette, erwei-

tert diesen Ansatz jedoch durch die Einbeziehung von Regeln. Insofern kann von einem

hybriden Modell gesprochen werden. In der Literatur wird, wie bereits in Kapitel 5.2

erwähnt, in diesem Zusammenhang von rule based models bzw. computational process

models gesprochen. Die Alternative zu regelbasierten Modellen sind nutzenmaximierende

Modelle (utility maximisation models). Das in diesem Modell Regeln verwendet werden

und nicht der nutzenmaximierende Ansatz verfolgt wird, ist auf Argumente von Gärling

et al. zurückzuführen. Gärling et al. betonen, dass regelbasierte Ansätze Prozesse der

Entscheidungsfindung besser abbilden können. Für reine Verkehrsnachfrageprognosen

können nutzenmaximierende Modelle verwendet werden. Für ein besseres Verständnis

von Verhalten werden jedoch andere Ansatz gebraucht. Eine Möglichkeit bieten hier

regelbasierte Modelle (vgl. [67], Gärling u. a.).

Zusätzlich zur Einbeziehung von Regeln wird der Raum explizit als wesentliche Kom-

ponente in diese Simulation eingebunden. Als Erweiterung zur Anwendung reiner Mar-

kovketten bei Widén et al. werden auch die Eigenschaften von Agenten und Haushal-

ten berücksichtigt. Diese Ergänzungen sollen es ermöglichen, die Entscheidungsprozesse

transparenter zu gestalten und die Simulation auf eine breitere Anwendungsbasis zu

stellen.

Die Simulation startet um 24Uhr und durchläuft im 10 Minuten Takt den Tag. Der

Zustand q01 dient als Startzustand und entspricht dem Zustand schlafen. Hier zeigt

sich eine weitere Einschränkung des Modells, da natürlich auch zu diesem Zeitpunkt

in der Realität verschiedene Tätigkeiten stattfinden können. Nach der Auswertung al-

ler Tagesdatensätze der Zeitbudgetstudie hielten sich die Befragten um Mitternacht in

88, 5% der Fälle zu Hause auf. Zu diesem Zeitpunkt wird in 82, 7% der Fälle geschlafen.

Die zweithäufigste Tätigkeit zu diesem Zeitpunkt ist mit ca. 3, 6% der Fälle fernsehen.

Weitere Tätigkeiten, die zu diesem Zeitpunkt ausgeführt wurden, besitzen eine Wahr-

scheinlichkeit von weniger als zwei Prozent. Um das Modell einfach zu halten, gibt es

jedoch in dieser Implementierung nur den einen Startzustand Schlafen.

Neben diesem Zustand ist der Zustand Essen/Trinken hervorzuheben. Es handelt sich

138



hierbei, wie beim Schlaf, um ein Grundbedürfnis im Sinne der Maslowschen Bedürf-

niseinteilung (vgl. [44], Drumm). Im erstellten Modell wird davon ausgegangen, dass

der Mensch mehrmals am Tag Mahlzeiten zu sich nimmt. Die Agenten sollten demnach

mehrmals in den Zustand Essen/Trinken gelangen. Der Zustand soll dabei die klassi-

schen drei Hauptmahlzeiten abbilden. Würde man lediglich klassische Markovketten für

die Simulation verwenden, wäre die Abbildung der Mahlzeiten vermutlich nur schwer

umsetzbar.

Zur programmiertechnischen Umsetzung der Aktivitätenübergänge wurden Dictionaries

herangezogen. Dictionaries stellen eine Auflistung von Schlüsseln und Werten dar. Die

Schlüssel werden in der Form derzeitigeTätigkeit_neueTätigkeit gespeichert. Die Wer-

te des Dictionaries entsprechen den Übergangswahrscheinlichkeiten. Bei der Wahl einer

neuen Tätigkeit wird zuerst ein neues Dictionary gebildet, das nur die Übergänge von der

aktuell ausgeführten Tätigkeit enthält, also eine Teilmenge des ursprünglichen Wörter-

buches. Da die Wahrscheinlichkeiten für Aktivitätenübergänge von Randbedingungen

abhängen, muss es möglich sein, die Übergangswahrscheinlichkeiten zu manipulieren.

Hierzu werden Situationen festgelegt, also Regeln eingebunden. Im Folgenden sei ein

Beispiel genannt: Ein Agent ist in einem Alter, in dem nicht mehr gearbeitet wird (Si-

tuation: Rentner). In diesem Fall wird die Übergangswahrscheinlichkeit zur Tätigkeit

Arbeiten auf Null gesetzt. Dieser Wörterbucheintrag kann dann in der Programmierung

aus dem neuen Wörterbuch gelöscht werden. Weiterhin muss gesichert sein, dass die Sum-

me der Wahrscheinlichkeiten genau Eins ergibt. Im erwähnten Beispiel muss also darauf

geachtet werden, dass der ursprüngliche Wert der Übergangswahrscheinlichkeit hin zum

Zustand Arbeiten auf die anderen Zustandsübergänge verteilt wird. Hierzu wurde eine

eigene Prozedur implementiert. Die Aufteilung wurde in vereinfachter Form realisiert, so

dass eine gleichmäßige Verteilung stattfindet. Für die Beschreibung realer Vorgänge ist

diese Verteilungsform sicher unzureichend. Sie könnte in einer zukünftigen Implemen-

tierung viel ausdifferenzierter erfolgen. Ein weiteres Beispiel ist die Situation schlechtes

Wetter: Hier könnten die Wahrscheinlichkeiten für innerhäusliche Aktivitäten zu Lasten

von außerhäuslichen Tätigkeiten um einen bestimmten Betrag erhöht werden106. Wei-

terhin muss bei der Implementierung der Manipulation von Wahrscheinlichkeiten darauf

geachtet werden, dass die Einzelwahrscheinlichkeiten der axiomatischen Definition der

Wahrscheinlichkeit nach Kolmogorow genügen (d.h. 0 ≤ P (A) ≤ 1). Da sich Situationen,

in denen sich die Agenten befinden, überschneiden können, muss darauf in der program-

miertechnischen Umsetzung reagiert werden. Die Regeln, die Situationen beschreiben,

106Dies betrifft hauptsächlich Aktivitäten die tatsächlich im Freien stattfinden.

139



können dabei als Entscheidungsbaum realisiert werden. Es muss jedoch bedacht werden,

dass die Anzahl der Blätter (Situationen) mit der Tiefe bei nicht entarteten Bäumen

exponentiell steigt.

Weiterhin ist darauf zu achten, dass die Simulation das Ende des Tages, also den 24-

Stundenzeitraum, einhält. Da wie bereits erwähnt, aus den Zeitbudgetdaten ersichtlich

ist, dass die überwiegende Anzahl der Menschen um Mitternacht schläft, wurde der Zu-

stand Schlafen auch als einzig möglicher Endzustand gewählt. Um zu gewährleisten, dass

Schlafen der letzte Zustand der Agenten ist, wird bereits vor der eigentlichen Aktivi-

tätensimulation das Ende des Tages festgelegt. Das heißt, es wird in Abhängigkeit von

der Eigenschaft Alter eine Zeit am Abend bestimmt, ab der die Agenten endgültig zu

Hause sind und in den Zustand Schlafen übergehen. Da das Ende des Tages für jeden

Agenten bereits zu Beginn festgelegt ist, muss abgesichert sein, dass die letzte frei zu

entscheidende Tätigkeit zeitlich mit dem Ende des Tages übereinstimmt. Es kann daher

notwendig werden, Aktivitäten am Ende des Tages anzupassen. Das ist in dieser Arbeit

der einzige Fall, in dem eine Art rescheduling stattfindet.

Das Neuordnen von Tagesabläufen (rescheduling) ist insgesamt von Bedeutung für Mo-

dellierungen (vgl. [38], Chen u. a., [86], Joh u. a.). In der Realität wird ein rescheduling

unter anderem durchgeführt, wenn auf Grund unvorhergesehener Ereignisse ein Zeitge-

winn bzw. ein Zeitverlust eintritt. Das Standardbeispiel in der Literatur sind unerwartet

verlängerte Wegezeiten, verursacht z.B. durch Staus (vgl. z.B. [86], Joh u. a.). Im Allge-

meinen kann auf solch ein unerwartetes Ereignis folgendermaßen reagiert werden:

• Wegfall einer späteren Aktivität

• Verschieben einer späteren Aktivität

• Verkürzen einer späteren Aktivität

• Änderung der geplanten Aktivitäten

• Änderung des Ortes der Aktivitäten

• Übertragung von Aktivitäten auf andere Personen

Olaru und Smith stellen fest, dass die Mehrzahl der Tagesabläufe durch eine Verzöge-

rung der Folgetätigkeit und eine Veränderung der Aktivitätsdauer angepasst wird (vgl.

[121], Olaru u. Smith). Für die Untersuchung der Reaktion auf unerwartete Ereignis-

se und deren daraus folgende Anpassungen nutzen Olaru und Smith die Möglichkeiten

140



der Fuzzylogik (vgl. [121], Olaru u. Smith). Die Wahl der Anpassungsstrategie ist von

der Dauer des Zeitgewinns bzw. des Zeitverlustes als auch von der Flexibilität der be-

trachteten Aktivitäten abhängig (vgl. [121], Olaru u. Smith). So ist z.B. ein Ausflug

vollkommen flexibel, so dass verschieden auf vorangegangene Verzögerungen reagiert

werden kann. Die Tätigkeit Arbeit kann, z.B. aufgrund unvorhergesehener Ereignisse, in

Abbhängigkeit des Arbeitsvertrages nach hinten verschoben werden, so dass ein späterer

Arbeitsbeginn durch längere Arbeitszeiten ausgelichen werden kann (flexible Arbeitszei-

ten vorausgesetzt). Dagegen können Veranstaltungen, wie Konzerte, durch vorgegebene

Start- und Endzeiten völlig unflexibel sein, so dass diese Aktivitäten bei Zeitverzug in

der Regel ausfallen.

5.4.8.2 Ort der Aktivität

Nachdem eine neue Tätigkeit gewählt wurde, wird der Ort der festgelegten Tätigkeit

bestimmt. Dieser ist natürlich nur bei außerhäuslichen Aktivitäten von Bedeutung. Für

die Festlegung des Ortes ist als erstes die Tätigkeit selbst von Interesse. So ist für die

Tätigkeit Arbeiten der Ort der Tätigkeit durch die Koordinaten der zugeordneten Ar-

beitsstätte direkt vorgegeben. Für die Tätigkeit Freunde besuchen wurde den Agenten

zu Beginn der Simulation eine Liste anderer Agenten zugeordnet. Die Zuordnung er-

folgte unter Berücksichtigung der Agenteneigenschaft Alter, dann jedoch völlig zufällig.

Das heißt, bei der Tätigkeit Freunde besuchen wird ein Agent aus der Bekanntenliste

zufällig gewählt. Der Zielort ist dann durch die Haushaltskoordinaten dieses Agenten

gegeben. Für Tätigkeiten wie Einkaufen dienen die aus dem GIS übergebenen POIs

als Zielorte. Aus diesen muss ein Ort ausgewählt werden. Hierzu gibt es die Möglich-

keit Entfernungen zwischen dem aktuellen Standort und den POIs zu bestimmmen. Um

Wahrscheinlichkeiten für das Besuchen bestimmter Orte festzulegen, kann die Idee des

Gravitationsansatzes (vgl. gravitation models) genutzt werden. Hierunter ist zu verste-

hen, dass Orte die weiter voneinander entfernt sind weniger miteinander in Verbindung

stehen, da die Überbrückung von größeren Distanzen mit vermehrten Kosten bzw. ver-

mehrten Zeitverbrauch einhergeht. Somit werden im Modell vor allem Orte gewählt, die

bevorzugt in der Nähe des Arbeitsplatzes bzw. Wohnortes der Agenten liegen.

Die Ortswahl ist darüber hinaus von dem vorhandenem Wissensstand beeinflusst, der

durch Erfahrungen geprägt ist (vgl. Mental Maps). Hierbei muss die Umwelt mit ihrem

soziokulturellen Charakter betrachtet werden (vgl. [65], Golledge u. Gärling). Orte in

der Nähe des Wohnortes sind in der Regel bekannter bzw. vertrauter, was es plausibel

141



macht, dass diese Orte eher aufgesucht werden. Nach Hannes et al. sind Ziele in den

meisten Fällen allerdings durch Standardentscheidungen vorbelegt, was durch gewohn-

heitsmäßiges Handeln begründet ist (vgl. [69], Hannes u. a.).

In der Realität verfügen Menschen nicht über vollständige Informationen. In der Pro-

grammierung können unvollständige Informationen, z.B. dadurch umgesetzt werden,

dass bestimmte POIs dem Agenten gar nicht bekannt sind und somit nicht zur Auswahl

stehen. Zukünftig sollten in diesem Zusammenhang Global Positioning System (GPS)

Daten genutzt werden. So geben Liao, Fox und Kautz einen Einblick, wie Orte und

Aktivitäten aus GPS-Trajektorien gewonnen werden können (vgl. [105], Liao u. a.).

5.4.8.3 Verkehrsmittelwahl

Die Verkehrsmittelwahl ist in diesem Simulationsmodell derzeit sehr vereinfacht im-

plementiert und wird vordergründig durch die Entfernung zum Zielort beeinflusst. Die

Wahrnehmung des Raumes geschieht in erster Linie über Distanzen. Die Beurteilung der

Erreichbarkeit von Orten mittels verschiedener Verkehrsmittel ist ein weiterer Aspekt

der Wahrnehmung. Weiterhin sind Wahrnehmungen auch mit den Gewohnheiten der

Menschen verknüpft. So nehmen Autofahrer Gegebenheiten wie Staus oder Parkmög-

lichkeiten intensiver wahr als andere Verkehrsteilnehmer (vgl. [70], Hannes u. a.).

Die Entfernung vom derzeitigen Standort der Agenten zum Zielort wird im Modell durch

die euklidische Distanz berechnet. Zu dieser Distanz wird noch ein Zufallswert addiert,

da die euklidische Distanz als Luftlinie eine nicht realistische Untergrenze der Wegstre-

cke zwischen zwei Orten darstellt. Um die Entfernung bestimmen zu können, wird die

aktuelle Position des Agenten als Agenteneigenschaft mitgeführt. Die Positionen der

potentiellen Zielorte sind durch die Koordinaten der POIs aus dem GIS bekannt. Eine

genauere Abschätzung von Distanzen kann implementiert werden, wenn reale Siedlungen

mit den zu Grunde liegenden Straßendaten betrachtet werden (vgl. Kapitel 5.4.9).

Einen Einfluss auf die Verkehrsmittelwahl hat darüber hinaus die Autoverfügbarkeit so-

wie das Alter der Agenten. Für die Nutzung eines PKWs ist im Modell ein Mindestalter

erforderlich. Eine Eigenschaft wie Führerscheinbesitz wird jedoch nicht berücksichtigt.

Weiterhin wird davon ausgegangen, dass kurze Distanzen zumeist zu Fuß oder per Fahr-

rad zurückgelegt werden. Längere Distanzen werden, wenn ein Auto verfügbar ist, in

der Regel mit dem PKW überbrückt. In wenigen Fällen, z.B. bei Nichtverfügbarkeit

eines Autos oder bei Nichterfüllung des Mindestalterkriteriums, wird auf den ÖPNV

142



zurückgegriffen. Die Unterscheidung der Agenten hinsichtlich des Mobilitätstyps wird

derzeit, wie folgt, berücksichtigt. So nutzen unreflektierte PKW Nutzer das Auto bei

Autoverfügbarkeit immer, unabhängig von der zurückzulegenden Distanz107. Der Auto-

verweigerer wird selbst längere Distanzen mit dem Fahrrad zurücklegen oder auf den

ÖPNV zurückgreifen. Die anderen Mobilitätstypen machen ihre Entscheidung, von der

zu überbrückenden Distanz und der Witterung abhängig.

Der häufigste in der Literatur verwendete Ansatz zur Bestimmung der Verkehrsmittel-

wahl basiert auf dem Nutzenkonzept. Es wird davon ausgegangen, dass die Verkehrsträ-

gerwahl lediglich Mittel zum Zweck ist. Das gewählte Verkehrsmittel soll den Nutzer zum

Zielort seiner Aktivität befördern. Der Nutzer, so die Unterstellung, versucht den nega-

tiven Nutzen, der durch Fahrtkosten bzw. Zeitverlust gegeben ist, zu minimieren (vgl.

[33], Buehler). Buehler untersuchte in seinem Artikel die Determinanten der Verkehrs-

mittelwahl anhand der Beispielländer Deutschland und USA. Signifikante Einflüsse auf

die Verkehrsmittelwahl stellten Tätigkeitsziele (z.B. Einkaufen), der Landnutzungsmix

(im Fall von Deutschland), die Haushaltskonstellation in Kombination mit der Berufs-

tätigkeit, das Haushaltseinkommen und das Alter dar.

Abschließend soll beispielhaft die unterschiedliche Nutzung von Verkehrsträgern in Eu-

ropa aufgezeigt werden. So fuhren die Dänen nach Angaben der Europen Environmental

Agency im Jahr 2000 im Schnitt 936 km Fahrrad, wohingegen in Spanien der pro Kopf

zurückgelegte Weg mit dem Fahrrad lediglich 20 km betrug (vgl. [53], European Envi-

ronmental Agency). Solche Unterschiede sind nicht durch einen Indikator begründbar.

Häufig müssen weiche Faktoren, die schlecht in Zahlen auszudrücken sind, beachtet wer-

den. Das Beispiel soll verdeutlichen, dass in diesem Zusammenhang keine allgemeingülti-

gen Festlegungen für die Modellierung getroffen werden können. Regionale Unterschiede

müssen berücksichtigt werden.

5.4.8.4 Dauer der Aktivität

Nach der Bestimmung einer Tätigkeit, der Festlegung des Ortes und der Verkehrsmit-

telwahl wird als nächster Schritt die Dauer der neu gewählten Tätigkeit festgesetzt. Der

Zeitdauerbereich wurde hierbei für jede mögliche Tätigkeit fest vorgegeben. Wichtig

107Unreflektierte PKW Nutzer sind ein von Kramer (vgl. [98], Kramer) identifizierter Mobilitätstyp (vgl.Kapitel 5.4.7.1).

143



ist in diesem Zusammenhang die Verteilung der Tätigkeitsdauer innerhalb des Zeit-

dauerbereiches. Um einfach zu starten, wurden die Tätigkeitsdauern als gleichverteil-

te Zufallswerte aus dem Zeitdauerbereich bestimmt (hierzu wurde die implementierte

Random-Klasse benutzt, die pseudo-zufällige Zufallswerte liefert108). Auf gleichverteil-

ten Zufallsvariablen basierend können Zufallsvariablen anderer Verteilungen bestimmt

werden. Simpson-verteilte (Dreiecksverteilung), exponentialverteilte als auch normalver-

teilte Zufallsvariablen können mit weiteren implementierten Methoden generiert werden.

Hierzu wurde die jeweilige inverse Verteilungsfunktion bzw. im Fall der normalverteilten

Zufallswerte die Polar-Methode verwendet.

Somit können prinzipiell Zeitdauern von Tätigkeiten mit Hilfe verschiedener Methoden

und Parameter festgelegt werden (erinnert sei an dieser Stelle an die Verteilung der Dau-

er von Telefongesprächen, die durch eine Exponentialverteilung beschrieben wird). Die

Berechnung der Dauer der Tätigkeit hat zum einen den Vorteil, dass nicht jeder Agent

in jedem diskreten Zeitschritt eine neue Entscheidung treffen muss, was zur Verminde-

rung von Rechenaufwand führt, sondern vereinfacht auch die Generierung realistischer

Tagesabläufe. Des Weiteren kann als Argument für diese Vorgehensweise auch angeführt

werden, dass in der Realität Entscheidungen auch nicht in einem festen Takt getroffen

werden.

Der Beginn der Tagessimulation ist mit der Tätigkeit Schlafen für den Zeitschritt 0:00-

0:10 festgelegt. Die erste Aufgabe für die Simulation besteht demnach darin die Aufsteh-

zeitpunkte (Dauer des Zustandes Schlafen) der Agenten zu bestimmen. Während des

Tages wird die Dauer der gewählten Tätigkeiten ebenfalls mit Hilfe der oben beschrie-

benen Vorgehensweise generiert. Das Ende der Tagessimulation ist wiederum durch die

Tätigkeit Schlafen festgelegt. Ab einem gewissen Zeitpunkt ist Schlafen also wie ein

absorbierender Zustand in einer Markovkette.

Das Ergebnis der Simulation sind künstlich generierte Tagesabläufe für die Bewohner

einer fiktiven Stadt. Die generierten Aktivitäten werden im letzten Schritt mit plausi-

blen Energieverbräuchen gekoppelt, was im folgenden Kapitel eingehender beschrieben

wird.

108Siehe C# Dokumentation - die Zufallswerte basieren auf dem von D.E. Knuth entwickelten Algorith-mus eines subtraktiven Zufallsgenerators.

144



5.4.9 Kopplung von Aktivitäten mit Energieverbräuchen

Bei der Bestimmung des Energieverbrauchs kann direkter von indirektem Energiever-

brauch unterschieden werden. Indirekte Energie, ist die Energie, die bereitgestellt wer-

den muss, um Produkte und Dienstleistungen für Haushalte zur Verfügung zu stellen.

Der indirekte Anteil des Energieverbrauchs eines Haushaltes kann dabei relativ hoch

sein (vgl. dazu Kapitel 5.4.4). Biesot und Norman betonen, dass die Wahl der Güter

als auch die Haushaltsführung an sich einen beachtlichen Einfluss auf die Umwelt haben

(vgl. [19], Biesiot u. Noorman). Hinsichtlich der Haushaltsmetabolismen führen die Au-

toren verschiedene Treiber des Energieverbrauchs109 und den Treibern entgegenwirkende

Prozesse auf (vgl. [19], Biesiot u. Noorman). Nach den Untersuchungen sind die Treiber

bedeutender als ihnen entgegenstrebende Faktoren.

In der vorliegenden Arbeit wurden nur direkte Energieverbräuche berücksichtigt. Die

bereitzustellende Leistung für Beleuchtung wurde mit einer Konstanten integriert, die

Tanimoto et al. entnommen wurde. Tanimoto et al. legten 5W/m2 als Wert für den

Energieverbrauch von Beleuchtung fest (vgl. [158], Tanimoto u. a.). Energie für Beleuch-

tung wird benötigt, wenn mindestens eine Person im Haushalt anwesend ist. Dabei ist

die Tageszeit zu beachten. Für die vorliegende Modellierung wird davon ausgegangen,

dass Beleuchtung nur zwischen Sonnenuntergang und Sonnenaufgang notwendig ist (vgl.

Kapitel 5.4.7.3). Im Vergleich dazu gaben Tanimoto et al. die Beleuchtungszeiten für die

vier Jahreszeiten direkt vor. Die mögliche Verwendung von Markovketten zur Abschät-

zung des häuslichen Energiebedarfs für Beleuchtung ist bei Widén (vgl. [175], Widén

u. a.) beschrieben. Um die Leistungen diverser Haushaltsgeräte (z.B. PC,TV,. . . ) für

den laufenden als auch für den standby Betrieb in die Simulation zu integrieren, wurden

durchschnittliche Leistungswerte verwendet. Diese wurden ebenfalls aus der Veröffentli-

chung von Tanimoto et al. entnommen (vgl. [158], Tanimoto u. a.).

In Abbildung 5.9 sind synthetische standardisierte Lastprofile für Haushalte (H0) darge-

stellt, wie sie im Auftrag des VDEW (Verband der Elektrizitätswirtschaft)110 durch die

Brandenburgische Technische Universität Cottbus erstellt wurden. Die erstellten Pro-

file werden dabei für Abbrechnungen genutzt. Aufgenommen werden Kunden, die eine

festgelegte Jahresstromnachfrage, als auch eine festgelegte Netzanschlussleistung nicht

überschreiten.

109Treiber des Energieverbrauchs sind z.B. die Haushaltsgröße. Ein entgegenwirkender Einfluss sindunter anderem der technologische Fortschritt.

110Im Jahr 2007 ging der VDEW im BDEW (Bundesverband der Energie- und Wasserwirtschaft) auf.

145



Abbildung 5.9: Standardlastprofile - Haushalt

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

!��

"��

��

��

��

��

��

��

��

��

��

��

� ��

�!��

�"��

�"��

��

��

��

��

��

#�� $��%��&��'� ��(�)��

��

��

��

��

�� *�� +��

�� *�� +��

�� *�� +��

Quelle: BTU Cottbus - Lehrstuhl für Energiewirtschafthttp://www.pvu-netze.de/media/Standardlastprofil%20VDEW.pdf

Bärwaldt und Kurrat weisen allerdings darauf hin, dass der Lastgang einzelner Haus-

halte erheblich von den standardisierten Lastprofilen abweichen kann (vgl. [32], Bär-

waldt u. Kurrat). Die Summe vieler einzelner Haushaltslastgänge sollte jedoch mit den

Standardlastprofilen vergleichbar sein. Eine akzeptable Simulation von Stromnachfragen

sollte demnach die Verbrauchsspitzen in der Abend- und Mittagszeit wiedergeben.

Bei Außer-Haus-Tätigkeiten wird nur ein geschätzter Energieverbrauch berücksichtigt,

der für den Transport zum Zielort notwendig ist. Der Tätigkeit selbst (z.B. einem Restau-

rantbesuch) wird kein Energiebedarf zugeordnet. Die benötigte Energie für den Trans-

port ist in der derzeitigen Implementierung nur abhängig von der Entfernung (euklidische

Distanz) und dem Verkehrsmittel. Dabei werden die Verkehrsmittel mit einem durch-

schnittlichen Energieverbrauch versehen. Somit kann die in Kapitel 5.4.8.3 genannte

vordergründige Raumwahrnehmung in der Modellierung durch die Verwendung von Di-

stanzmaßen akzeptabel abgebildet werden.

Bei der Zuordnung des Energieverbrauchs für den Transport in konkreten Siedlungen

wäre es allerdings angemessener, eine reale Distanz zwischen Orten zugrundezulegen. So

könnte die kürzeste Distanz, wie sie durch Navigationssysteme berechnet wird, verwendet

werden. Für die Simulation wurde in diesem Zusammenhang eine Methode implemen-

tiert, die die Google Directions API nutzt, um Gesamtdistanzen zu bestimmen. Die API

darf derzeit jedoch nur in Verbindung mit Google Karten genutzt werden, so dass die

146



Methode ungenutzt bleibt. Wenn Straßendaten als Vektordaten zur Verfügung stehen,

so ermöglicht es der Dijstra- bzw. der A∗-Algorithmus die kürzesten Wege zwischen

zwei Knoten zu finden. Distanzmatrizen könnten so der Mikrosimulation zur Verfügung

gestellt werden.

5.4.10 Modellausgabe - GIS-Schnittstelle

Die Modellausgabe kann unter den folgenden zwei Hauptpunkten zusammengefasst wer-

den.

• Ausgabe der Aufenthaltsorte der Agenten zu jedem Zeitschritt

• Elektrizitätsbedarf für jede Stadtzelle in jedem Zeitschritt

Eine echte Rückkopplung im Sinne von einem Wechselspiel zwischen dem verwendeten

GIS und der Mikrosimulation ist für diese Arbeit nicht zielführend und wurde somit nicht

umgesetzt. Die Rückkopplung besteht nur in dem Sinn, dass Ergebnisse der Mikrosimu-

lation in für das verwendete GIS lesbare Datenformate exportiert werden können.

Aufenthaltsorte (Koordinaten) der Agenten im Tagesverlauf werden in der Simulation

gespeichert, so dass diese Daten als ESRI Shape Datei abgespeichert werden können.

Neben den Koordinaten wird für diesen Export die Agenten- und die ihm zugehörige

Haushaltsidentifikationsnummer in die Sachdatentabelle (dbf Datei) geschrieben. Wei-

tere Sachdaten (z.B. Tätigkeit) könnten in Sachdatentabellen exportiert werden. Die

Agenten- und Haushaltsnummern können dazu dienen, Verknüpfungen zu weiteren Da-

ten herzustellen (joining tables). Der Export als Shape-Datei dient in dieser Arbeit der

Visualisierung. Die Ortswechsel einzelner Agenten bzw. der Mitglieder eines Haushaltes

können so beobachtet werden. Die Visualisierung kann zur Plausibilitätskontrolle der

Modellergebnisse eingesetzt werden. Weitere statistische Analysen als auch karthogra-

phische Produkte auf Grundlage dieser Shapefiles sind prinzipiell möglich. Die Visuali-

sierung von Daten wurde mit der Version 10 von ArcGIS verbessert. So besitzen Layer

jetzt explizit eine Eigenschaft Zeit. Jeder Datensatz hat hierzu entweder eine oder zwei

(Start- und Endzeit) Zeitangaben. Aus der Mikrosimulation wird jeder Datensatz im

vorliegenden Fall mit einer Zeitinformation (festgelegtes Datumsformat als string) ver-

sehen. Im ArcGIS ist es dann möglich, mittels des neu implementierten Time Sliders,

die Daten zu animieren. Diese Animation kann des Weiteren auch in das Audio Video

Interleaved Datenformat (Video-Container AVI) exportiert werden. Im Folgenden wird

147



noch angedeutet, wie eine Shape-Datei prinzipiell aus C# heraus erstellt werden kann

(hierfür wurden bereitgestellte Funktionsbibliotheken von ESRI genutzt).

C#-Code

ESRI.ArcGIS.DataSourcesFile.ShapefileWorkspaceFactory workspaceFactory = null; workspaceFactory

= new ESRI.ArcGIS.DataSourcesFile.ShapefileWorkspaceFactoryClass();

ESRI.ArcGIS.esriSystem.IAoInitialize aoInit = new ESRI.ArcGIS.esriSystem.AoInitializeClass();

aoInit.Initialize(ESRI.ArcGIS.esriSystem.esriLicenseProductCode.esriLicenseProductCodeArcView);

ESRI.ArcGIS.Geodatabase.IFeatureWorkspace fws = workspaceFactory.OpenFromFile(Pfad_fuer_Datei,

0) as ESRI.ArcGIS.Geodatabase.IFeatureWorkspace;

ESRI.ArcGIS.Geodatabase.IFeatureClass pFeatClass = fws.CreateFeatureClass(shapeName, fieldCollec-

tion, null, null, ESRI.ArcGIS.Geodatabase.esriFeatureType.esriFTSimple, Shape_Dateiname, "") as

ESRI.ArcGIS.Geodatabase.IFeatureClass;

Hierzu ist das Setzen von Verweisen (auf DataSourcesFile, Geodatabase, Geometry und

System) notwendig. Außerdem ist ein Anlegen von Spalten für die Attributtabelle, das

Füllen dieser sowie das Setzen eines Koordinatensystems erforderlich. Dieses wird hier

jedoch nicht beschrieben.

Der Energiebedarf der Haushalte kann, aggregiert auf die Rasterzellen der Stadt, in eine

Polygon Shape-Datei, genauer in die entsprechende Attributtabelle, geschrieben werden.

So ist es prinzipiell durch die Zeiteigenschaft eines Layers möglich, Animationen zu

erzeugen.

Neben dem Export als Shapedatei ist es auch möglich, Ergebnisse direkt als dbase (.dbf)

Datei zu speichern. Dieses Format kann von vielen Programmen, wie z.B. Excel, gelesen

werden. Eine weiterführende Auswertung, durch z.B. Diagramme, muss somit derzeit

in externen Programmen erfolgen. Für die Erzeugung von dbf Dateien wurde in dieser

Arbeit auf die freie Software DbfExporter (Lizenz LGPL) zurückgegriffen. Im konkreten

Fall wurde der Quellcode des Exporters an die eigenen Vorstellungen angepasst. Der

offene Zugang zum Quellcode war daher notwendig. Ganz generell ist freie Software

(open Source) neben ihrer allgemeinen Bedeutung auch ein wichtiger Bestandteil der

Wissenschaft. “Der fundamentale Akt von Freundschaft unter denkenden Wesen besteht

darin, einander etwas beizubringen und Wissen gemeinsam zu nutzen.. . .Dieser gute

Wille, die Bereitschaft unserem Nächsten zu helfen, wann immer es im Bereich des

Möglichen liegt, ist genau das, was die Gesellschaft zusammenhält und was sie lebenswert

macht.“ (Richard Stallmann 1999 - vgl. [66], Grassmuck, S.224).

148



Ellegård und Palm visualisieren Aktivitäten zusammen mit Energiebedarfen (vgl. [49], El-

legård u. Palm) während eines Tages mittels der eigens entwickelten Software VISUAL-

TimePAcTS/energy use. Eine räumliche Auflösung findet dabei nicht statt. Die Ak-

tivitäten von Individuen werden als gestapelte Säulen veranschaulicht. Entsprechende

Energiebedarfe von Haushalten werden als gestapelte Balken visualisiert.

Die Visualisierung von Ergebnissen ist für diese Arbeit angemessen auf den 2D Be-

reich beschränkt. Weiterführende Möglichkeiten der Visualisierung im urbanen Kontext

für den 3D Bereich wurden u.a. von Faller untersucht (vgl. [55], Faller). Die Analysen

von Visualiserungsmöglichkeiten beziehen sich bei Faller auf Stadtrhythmen am Beispiel

der Stadt Wien. So wird unter anderem die Bevölkerungsdichteverteilung im Tagesver-

lauf durch morphing von erstellten Meshs vorgestellt. Shaw et. al stellen ein generali-

siertes Raum-Zeit Pfadkonzept vor, das auf Hägerstrands Zeitgeographie basiert (vgl.

[149], Shaw u. a.). Die Pfade werden dabei durch Shaw et al. in einer eigens entwickelten

ArcGIS Erweiterung analysiert und 3D visualisiert.

Visualisierung ist ein weites Forschungsgebiet. Die Möglichkeiten der Visualisierung,

selbst für Fragestellungen dieser Arbeit, können und sollen nicht umfassend dargestellt

werden. Es sei in diesem Zusammenhang abschließend auf Vrotsou, Johannsson und

Cooper verwiesen, die Tätigkeitssequenzen als Graphen darstellen (vgl. [169], Vrotsou

u. a.). Sie nutzen ein selbst geschriebenes Werkzeug (ActiviTree), durch das die Graphen,

genauer gesagt Bäume, erzeugt werden. Dies ist eine interessante Möglichkeit Sequenzen

mit ihrer Häufigkeit zu erfassen. Darüber hinaus könnte man Graphen, die auf Zeit-

budgetdaten beruhen mit Graphen, die das Ergebnis von Simulationen sind, hinsichtlich

ihrer Ähnlichkeit vergleichen.

5.4.11 Modellergebnisse

In diesem Abschnitt werden Ergebnisse von zwei Simulationsdurchläufen vorgestellt.

Aus der Bandbreite an denkbar möglichen Szenarien wurde sich für zwei Varianten ent-

schieden. Es werden zwei sich markant unterscheidende urbane Formen betrachtet. Des

Weiteren unterscheiden sich die betrachteten Szenarien hinsichtlich des Umweltfaktors

Wetter, so dass ein sonniger und ein nicht sonniger Tag simuliert werden. Die übrigen

Szenariobedingungen bleiben, unter der Berücksichtigung der stochastischen Komponen-

ten, konstant. Die grundlegenden Szenariobedingungen sind in nachfolgender Tabelle 5.3

aufgelistet.

149



Tabelle 5.3: SzenarienbeschreibungParameter Szenario1 Szenario2Gesamtbevölkerung 984 981Einpersonenhaushalte 199 199Zweipersonenhaushalte 176 181Dreipersonenhaushalte 67 60Vierpersonenhaushalte 58 60Tag der Simulation 1. Juni 1. JuniSonnenaufgang 3:41 3:41Sonnenuntergang 20:30 20:30Wetterbedingung sonnig nicht sonnig

Wie aus Tabelle 5.3 ersichtlich ist, wird die Simulation erst einmal auf eine kleinere

Anzahl von Haushalten beschränkt, um die prinzipielle Nutzbarkeit dieser Methodik

darzustellen. Eine größere Anzahl von Agenten könnte jedoch ohne größere Beschrän-

kungen simuliert werden, um reale Stadtgrößen abzubilden. Die prozentuale Aufteilung

der Personenhaushalte kann durch den Nutzer im GIS festgelegt und exportiert werden.

In diesem Beispiel orientiert sich die Aufteilung der Haushaltsgröße an den durchschnitt-

lichen Zahlen für Deutschland111. Die Zeiten für Sonnenauf- und Untergang können für

einen gegeben Ort und ein vorgegebenes Datum mit einer für diese Arbeit ausreichen-

den Genauigkeit bestimmt werden (vgl. Kapitel 5.4.7.3). Diese Zeiten sind vor allem als

potentielle Beleuchtungszeiten von Bedeutung. Der Tag der Simulation wird für die Be-

rechnung des Sonnenauf- und untergangs benötigt. Ansonsten ist diese Tagesangabe nur

als Typtag interessant, so dass z.B. ein typischer Sommertag simuliert werden kann.

5.4.11.1 Szenario 1

In diesem Szenario wurde der Simulation eine Siedlung zugrunde gelegt, die in Ihrer Form

stark sektoral geprägt ist (vgl. Sektorenmodell Kapitel 2). Die Verteilung der Haushalte

ist in Abbildung 5.10 dargestellt.

111Nach Daten des statistischen Bundesamtes sind in Deutschland 40% der Haushalte Einfamilienhaus-halte, 34% Zweifamilienhaushalte und jeweils 13% Drei- sowie Vier- und Mehrpersonenhaushalte.

150



Abbildung 5.10: Urbane Form in Szenario 1

Derart sektoral ausgeprägt sind reale Siedlungen vermutlich nicht zu finden. Der Vorteil

von Simulationen ist jedoch, dass alle erdenklichen Situationen mit ihren Auswirkungen

analysiert werden können. Abbildung 5.10 zeigt entsprechend der sektoral ausgepräg-

ten Form die städtische Verteilung von Gebäuden/Wohnraum. Neben den Wohnplätzen

(blau) sind die Points of Interests (rot) sowie die vorhandenen Arbeitsstätten (gelb) und

Schulen (grün) ausgezeichnet112.

Die Aktivitäten der künstlich erzeugten Stadtbevölkerung wurden, basierend auf den in

Tabelle 5.3 ausgewiesenen Angaben, simuliert. Zu beachten ist, dass die Stadtform in

erster Linie einen Einfluss auf Distanzen hat. Weiterführende Einflüsse von Stadtstruk-

turen auf Aktivitätenprogramme wurden nicht simuliert und bleiben somit der weiteren

Forschung überlassen. In der nachfolgenden Abbildung sind vier zufällig gewählte Ta-

gesaktivitätenprogramme von Agenten dargestellt (vgl. Abb. 5.11).

112Die in den Abbildung 5.10 und 5.14 dargestellten Rasterzellen haben eine Länge und Breite von250 m.

151



Abbildung 5.11: Tagestätigkeiten simulierter Agenten

Tä

tig

ke

ite

n

schlafen

persönlicher Bereich

Essen zubereiten

essen

zuhause_sonstig

TV

waschen

abwaschen

PC

arbeiten

einkaufen

Freunde besuchen

Unterhaltung_sonstig

Restaurant

Bildung

0:0

0-0

:10U

hr

3:1

0-3

:20U

hr

6:3

0-6

:40U

hr

9:5

0-1

0:0

0U

hr

13:1

0-1

3:2

0U

hr

16:3

0-1

6:4

0U

hr

19:5

0-2

0:0

0U

hr

23:1

0-2

3:2

0U

hr

Tageszeit

Aus der Graphik ist ersichtlich, dass die Agenten zu verschiedenen Zeiten aufstehen und

wieder schlafen gehen. Eine derzeitige Unzulänglichkeit ist es, dass nachts bis auf Schla-

fen keine weiteren Tätigkeiten ausgeführt werden können. Auch die Bereiche Essen und

Essen zubereiten müssten mitunter noch stärker im Modell fixiert werden, um plausible-

re Resultate zu erzeugen. Ansonsten liefert die Simulation jedoch schon mit einfachen

Annahmen realitätskonforme Ergebnisse. Wie schon im Laufe der Arbeit angemerkt,

wird die in den Zeitbudgetdaten erfasste Vielzahl der Tätigkeiten durch die Simulation

nicht wiedergegeben. Dies ist jedoch im Kontext dieser Arbeit auch nicht notwendig, da

vordergründig Tätigkeiten mit direktem Energiebezug von Bedeutung sind.

Basierend auf den simulierten Tagesaktivitäten, wurden diese mit plausiblen Energie-

bedarfen gekoppelt. In der nachfolgenden Abbildung ist in diesem Zusammenhang die

elektrische Leistungsaufnahme eines zufällig gewählten Vierpersonenhaushaltes darge-

stellt.

152



Abbildung 5.12: Tageslast eines Vier-Personenhaushaltes

��

��

��

��

��

��

��

��

��

��

�

��

� �

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

� �

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

In Abbildung 5.12 ist der Stromverbrauch im Standbybetrieb durch konstante Wer-

te zu Beginn und zum Ende des Tages gut erkennbar. Eine bessere Übereinstimmung

mit der Realität kann durch stochastisch leicht schwankende Werte implementiert wer-

den113. Im Tagesverlauf sind größere Leistungsschwankungen, wie sie real auftreten, er-

sichtlich. Dabei soll angemerkt sein, dass deutlich größere Leistungsspitzen in einem 4-

Personenhaushalt auftreten können. Im Allgemeinen sind reale Lastverläufe noch deut-

lich fluktuierender. Dass dies im Moment so noch nicht durch die Simulation gezeigt

wird, liegt vor allem an nicht in das Modell intergrierten Kleinstgeräten. So ist z.B.

ein Fön ein Gerät, welches auf Grund seiner Leistung (z.B. 2000 W) eigentlich nicht

vernachlässigbar ist. Die Plausibilitätsprüfung von Lastgängen kann durch eine Vielzahl

von Simulationsdurchläufen und eine Hochrechnung auf Jahresenergieverbräuche erfol-

gen, welche dann mit statistischen Energieverbräuchen verglichen werden können (vgl.

[75], Herrmann).

Die nachfolgende Abbildung beschreibt den Energiebedarf des Haushaltssektors. Dazu

werden die simulierten Haushalte aggregiert betrachtet (vgl. Abb. 5.13).

113Bei Kühlgeräten kann des Nachts durch fehlendes Öffnen und Schließen sogar von relativ gleichgetakteten Kühlintervallen ausgegangen werden (zyklisch).

153



Abbildung 5.13: Elektrizitätsbedarf aller Haushalte im Tagesverlauf - Szenario 1��

��

��

��

��

��

��

��

��

��

�

� �

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

Im Vergleich zu dem im folgenden Unterkapitel 5.4.11.2 dargestellten Szenario 2 wurde

in diesem Simulationsdurchlauf ein ca. 6% geringerer Energiebedarf für alle Haushal-

te ermittelt. Die größte Bedarfsspitze übersteigt jedoch die des zweiten Szenarios. Ein

geringerer Bedarf in diesem Szenario war zu erwarten, da Außer-Haus-Tätigkeiten an

einem sonnigen Tag einen höherern Stellenwert erhielten und Energiebedarfe für Haus-

halte bisher nur mit innerhäuslichen Tätigkeiten assoziert werden. In der Realität dürften

die Bedarfsunterschiede zwischen den unterstellten Szenariotyptagen noch größer sein.

Die Ergebnisse unterliegen jedoch einer stochastischen Komponente. Ein Monte-Carlo

Versuch im Zusammenhang mit einem Vergleich zu vorliegenden realen Daten könnte

Aufschluss über die Plausibilität der erzielten Simulationsergebnisse geben.

5.4.11.2 Szenario 2

In diesem Szenario wird eine von Szenario 1 abweichende Stadtstruktur unterstellt, die

in Abbildung 5.14 dargestellt ist.

154



Abbildung 5.14: Urbane Form in Szenario 2

Die in dieser Grafik dargestellte Stadtform ist wiederum zufällig erzeugt. Dabei wurden

Sektoren bevorzugter Ansiedlung verboten. Im Zentrum ist eine leichte Konzentration

der Besiedlung erkennbar. Diese Stadtform steht, im Gegensatz zu der Form aus Szena-

rio 1, viel eher im Einklang mit realen Siedlungsstrukturen. In diesem Szenario wurde

lediglich die Verteilung der Wohnstätten verändert. Die Festlegung der Points of Interest

sowie der Arbeitsstätten entspricht der Verteilung aus Szenario 1. Die Siedlungsstruk-

tur hat somit in diesem Simulationsdurchlauf erst einmal nur einen Einfluss auf die

zurückzulegenden Distanzen.

Da die Haushaltstätigkeiten, wie z.B. Fernsehen, nicht durch die Stadtform beeinflusst

werden, wird auf eine Abbildung der Tätigkeiten analog zu dem ersten Szenario ver-

zichtet. Eine Beeinflussung der Tagesaktivitäten durch die Stadtstruktur ist vor allem

durch die städtische Ausstattung gegeben. Verbesserte Freizeitmöglichkeiten, wie das

Vorhandensein von Kinos, Schwimmbädern usw. beeinflussen Aktivitätenprogramme.

Die Simulation von abweichenden Infrastrukturausstattungen unter ansonsten gleichen

155



Randbedingungen fand innerhalb dieser Arbeit nicht statt und bleibt zukünftigen Un-

tersuchungen überlassen.

Analog zu Szenario 1 wird in der folgenden Abbildung der Gesamtenergiebedarf des

Haushaltssektors für einen Simulationsdurchlauf dargestellt (vgl. Abb. 5.15).

Abbildung 5.15: Elektrizitätsbedarf aller Haushalte im Tagesverlauf - Szenario 2

��

��

��

��

��

��

��

��

��

��

�

� �

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

Wie schon in Szenario 1 erwähnt, unterscheiden sich die Abbildungen 5.13 und 5.15 nicht

wesentlich. In diesem Szenario ist der Energiebedarf, wie erwartet, höher als im Referenz-

szenario. Gut erkennbar sind wieder die konstanten Energiebedarfe in den Nachtstunden,

die durch die Standby-Geräte verursacht werden. In der Realität gibt es durch verschie-

dene ausgeführte Tätigkeiten hervorgerufene Schwankungen der Nachfrage. Prinzipiell

kann festgestellt werden, dass verschiedene Verbrauchsspitzen zwar wiedergegeben wer-

den, aber das Verhältnis zwischen den Maximas viel zu stark ausgeprägt ist (vgl. Abb.

5.9).

Auf Grund der noch stark vereinfachten Annahmen wurden die Standardlastprofile nicht

korrekt nachgefahren. Aber gerade da schon mit einfachen Mitteln plausible Ergebnisse

erzielt werden können, ist davon auszugehen das der hier vorgestellte Ansatz weiter

ausdifferenziert werden sollte.

156



5.4.12 Modellbewertung

Dieser Abschnitt beinhaltet die Bewertung des hier vorgestellten Modellansatzes. Moti-

vation für die Beschäftigung mit Modellen und Simulation ist im Kontext dieser Arbeit

besonders der Mangel an geeigneten computergestützen Werkzeugen für die Erfassung

des Energiebedarfes von Siedlungen. In vorhandenen Modellen wird der Raum als Mo-

dellkomponente häufig nicht betrachtet. Auch bilden existierende Modelle oft nicht die

Mikroebene ab bzw. sind nur für sehr spezielle Anwendungsgebiete geschaffen. Das vor-

liegende Modell folgt einem holistischen Ansatz, in dem versucht wird, die Tagesaktivi-

täten und Bedürfnisse der Menschen zu verstehen, abzubilden und mit Energiebedarfen

in Beziehung zu setzen. Das Modell hat somit das langfristige Ziel Energieflüsse und

deren mögliche Veränderungen zu simulieren. Das Modell ist auf den Haushaltssektor

beschränkt und erfasst lediglich direkte Energieverbräuche. Langfristig sollen zusätzlich

zur Elektrizitätsnachfrage, der Wärme- und Kühlbedarf sowie Energie für Transporte

integriert werden.

Die ersten Schritte hin zu einem solchen umfassenderen Modell wurden in dieser Arbeit

getan. Es konnte plausibel aufgezeigt werden, dass Mikrosimulationen basierend auf ob-

jektorientierter Programmierung eine geeignete Herangehensweise für die Beschreibung

städtischer Energieflüsse sind. Des Weiteren konnte der Mehrwert durch die Anbindung

eines geographischen Informationssystems aufgezeigt werden. Dieser Mehrwert ist vor

allem darin begründet, dass vorhandene Daten, die beispielsweise durch städtische Be-

hörden vorgehalten werden, genutzt, dass Daten visualisiert (Kontrollfunktion) und dass

Simulationsergebnisse mit GIS Funktionalitäten weiter bearbeitet werden können. Im

Bereich der eigentlichen Simulation wurde deutlich, dass die Verwendung von Markov-

ketten im Zusammenspiel mit Computational Process Modeling geeignet ist, Aktivitäten

abzubilden. Die Nutzung von Markovketten trägt dem Umstand Rechnung, dass Ent-

scheidungen von Individuen zufällig sind oder zumindest zufällig erscheinen. Neben der

Zufallskomponente folgen Tagesabläufe zu großen Teilen vorgegebenen Mustern. Diese

alltäglichen Abläufe können durch die Nutzung von Regeln berücksichtigt werden. Die

Gedächnislosigkeit von Markovketten kann durch die Mitführung vergangener Tätig-

keitsentscheidungen (z.B. in Form eines Feldes) behoben werden.

Neben der Einbeziehung eines GIS konnte der prinzipielle Nutzen von Zeitbudgetdaten

für Betrachtungen im Energiebereich und spezieller als Datenhintergrund für Simulatio-

nen aufgezeigt werden. Dabei sind insbesondere die Möglichkeiten der Validierung zu

157



nennen. Einschränkend sei jedoch angemerkt, dass die Daten dabei zum Simulations-

kontext passen sollten, was häufig nicht gegeben ist.

Das in dieser Arbeit entwickelte Modell schafft eine Grundlage für die Abbildung von

Energieflüssen im Haushaltsektor von Städten, das zukünftig erweitert und verbessert

werden könnte. Auf Grund der komplexen Thematik kann jedoch davon ausgegangen

werden, dass auch ein erweitertes Modell nie einen echten Endpunkt erreichen wird. Dies

kann dadurch begründet werden, dass Technologien und deren Nutzung einem stetigen

Wandel unterliegen.

Der langfristige praktische Nutzen der Modellierung von Energieflüssen im Haushaltssek-

tor liegt in der Entscheidungsunterstützung städtischer Akteure. Im wissenschaftlichen

Umfeld können mit Hilfe der Modellierung künstliche Stadtstrukturen untersucht wer-

den. Durch eigens gewählte Parametrisierungen können Zusammenhänge in ihrer Stärke

und ihren Auswirkungen beurteilt werden, so dass der Analysefunktion eine besonde-

re Bedeutung zukommt. Durch ein besseres Systemverständnis wird ein Erkenntnisge-

winn geliefert. Wie in anderen Fachrichtungen auch, wird ein Mehrwert an Verständnis

nur durch die Verbindung von theoretischen und empirischen Forschungsergebnissen er-

zielt.

158

6 Ausblick

Die vorliegende Arbeit behandelt die Themen urbane Formen und Zeitverwendung von

Individuen vor dem Hintergrund energierelevanter Fragestellungen und führt sie in ei-

ner Mikrosimulation zusammen. Im Verlauf der Arbeit wurden an verschiedenen Stellen

bereits die Grenzen der eigenen Herangehensweise aufgezeigt und Hinweise für weitere

Betrachtungen gegeben. Einige dieser Aspekte werden nachfolgend noch einmal aufge-

griffen.

Die Thematiken Form und Zeit wurden in den ersten Kapiteln unabhängig voneinan-

der betrachtet. Ein besseres Verständnis des Zusammenwirkens dieser Größen ist für

vielfältige Fragestellungen notwendig. Aufgrund der kostenfreien Verfügbarkeit sowie

der großflächigen Gebietserfassung wurden in dieser Arbeit CORINE Landcover Daten

genutzt, um urbane Formen zu beschreiben. Für detailliertere Betrachtungen urbaner

Strukturen sollten zusätzlich Satellitendaten herangezogen werden, die nicht, wie die CO-

RINE Daten, bereits klassifiziert wurden. Um eine bessere Verknüpfung von Form und

Energie zu gewährleisten, ist es notwendig, Strukturen feiner aufzulösen. Dafür könnten

beispielsweise 3D-Stadtmodelle als Datengrundlage dienen.

Die Nutzung sich wandelnder Kommunikations- und Informationsstrukturen und ihre

Bedeutung für den Energiebereich ist ein weiterer Aspekt, der zukünftig näher beleuch-

tet werden sollte. Um Energieflüsse einer Stadt zu beschreiben, ist es notwendig in ei-

ner Simulation nicht nur den Haushaltssektor zu implementieren. Vielmehr sollten alle

relevanten Bereiche, wie Wohnen, Gewerbe, Industrie und Transport mit den einherge-

henden Energieformen Elektrizität, Wärme und Treibstoffbedarf gemeinsam betrachtet

werden.

Die in dieser Arbeit verwendeten Zeitbudgetdaten besitzen, bis auf das Land in dem die

Befragung statt fand, keinen räumlichen Bezug. Für weitere Forschungsarbeiten wäre

es sinnvoll, Tagesabläufe zum Beispiel mit Hilfe von GPS-tracks räumlich zu erfassen.

Daraus resultierende Datensätze würden den Zusammenhang zwischen urbaner Form

159

6 Ausblick

und Mobilität klarer herausstellen. Zeitbudgeterhebungen auf städtischer bzw. regionaler

Ebene wären wünschenswert, da die im Rahmen dieser Arbeit erstellte Simulation auf

städtischem Maßstab beruht. Voraussetzung hierfür wäre jedoch, dass der Datenschutz

gewährleistet ist.

Zusammenfassend kann gesagt werden, dass es genügend theoretischen wie praktischen

Forschungsbedarf im Grenzgebiet der verschiedenen beteiligten Disziplinen (Geographie,

Soziologie, Informatik, Energieforschung, . . . ) gibt, um die komplexen Zusammenhänge

besser zu erfassen sowie diese in Simulationen abbilden zu können. Hierzu zählt beispiels-

weise die Untersuchung des Einflusses von Einstellungen und Lebensstil der Individuen

auf den Energiebedarf oder Entscheidungsfindungsprozesse von Individuen und Haushal-

ten. Insgesamt bildet diese Arbeit eine Grundlage auf der vielfältige Forschungsarbeiten

aufsetzen können.

160

Anhang

Tabelle A1: CLC2000-Landnutzungsklassifikation(komplett)Level1 Level2 Level3 RGB

1Artificial surfa-

ces11 Urban fabric 111 Continuous urban fabric 230-000-077

112 Discontinuous urban fabric 255-000-000

12Industry, commercial

and transport units121 Industrial or commercial units 204-077-242

122 Road and rail networks and associated land 204-000-000

123 Port areas 230-204-204

124 Airports 230-204-230

13Mine, dump and con-

struction sites131 Mineral extraction sites 166-000-204

132 Dump sites 166-077-000

133 Construction sites 255-077-255

14

Artificial, non-

agricultural vegetated

areas

141 Green urban areas 255-166-255

142 Sport and leisure facilities 255-230-255

2Agricultural

areas21 Arable land 211 Non-irrigated arable land 255-255-168

212 Permanently irrigated land 255-255-000

213 Rice fields 230-230-000

22 Permanent crops 221 Vineyards 230-128-000

222 Fruit trees and berry plantations 242-166-077

223 Olive groves 230-166-000

23 Pastures 231 Pastures 230-230-077

24Heterogeneous agricul-

tural areas241 Annual crops associated with permanent crops 255-230-166

242 Complex cultivation patterns 255-230-077

243

Land principally occupied by agricul-

ture, with significant areas of natural

vegetation

230-204-077

244 Agro-forestry areas 242-204-166

3Forest and semi

natural areas31 Forests 311 Broad-leaved forest 128-255-000

312 Coniferous forest 000-166-000

313 Mixed forest 077-255-000

32

Scrub and/or herba-

ceous vegetation asso-

ciations

321 Natural grasslands 204-242-077

Fortsetzung folgt ...

161

Anhang

Tabelle A1 – fortgesetzt von vorheriger Seite

Level1 Level2 Level3 RGB

322 Moors and heathland 166-255-128

323 Sclerophyllous vegetation 166-230-077

324 Transitional woodland-shrub 166-242-000

33Open spaces with little

or no vegetation331 Beaches, dunes, sands 230-230-230

332 Bare rocks 204-204-204

333 Sparsely vegetated areas 204-255-204

334 Burnt areas 000-000-000

335 Glaciers and perpetual snow 166-230-204

4 Wetlands 41 Inland wetlands 411 Inland marshes 166-166-255

412 Peat bogs 077-077-255

42 Maritime wetlands 421 Salt marshes 204-204-255

422 Salines 230-230-255

423 Intertidal flats 166-166-230

5 Water bodies 51 Inland waters 511 Water courses 000-204-242

512 Water bodies 128-242-230

52 Marine waters 521 Coastal lagoons 000-255-166

522 Estuaries 166-255-230

523 Sea and ocean 230-242-255

Quelle: EEA

162

Anhang

Histogramme der Flächenverteilung einzelner europäischer Länder

Abbildung A1: Histogramme Siedlungsverteilung (BG,HR,CY,CZ)

Areas ( Bulgaria )

Fre

quen

cy

0 500000 1500000

010

020

030

040

0

Kurtosis: 0.35

Skewness: 0.99

Variance: 246828863933.96

Median: 740000

Mean: 852073.14






Count (all): 3957


Areas ( Croatia )F

requ

ency

0 500000 1000000 1500000

050

100

150

200

250

300

Kurtosis: 1.45

Skewness: 1.42

Variance: 122839330393.12

Median: 440000

Mean: 566171.24






Count (all): 1376


Areas ( Cyprus )

Fre

quen

cy

0 500000 1000000 1500000

020

4060

80

Kurtosis: 1.92

Skewness: 1.52

Variance: 102161361109.05

Median: 400000

Mean: 519088.15






Count (all): 374


Areas ( Czech )

Fre

quen

cy

0e+00 4e+05 8e+05

050

010

0015

00

Kurtosis: 1.01

Skewness: 1

Variance: 43785450224.44

Median: 330000

Mean: 397789.34






Count (all): 5999


163

Anhang


Abbildung A2: Histogramme Siedlungsverteilung (DK,EST,FIN,F)

Areas ( Denmark )

Fre

quen

cy

0 500000 1500000 2500000

050

100

150

200

250

Kurtosis: 1.67

Skewness: 1.53

Variance: 249166303234.83

Median: 480000

Mean: 683343.47






Count (all): 1474


Areas ( Estonia )F

requ

ency

0 500000 1000000 1500000

020

4060

8010

0

Kurtosis: 1.43

Skewness: 1.28

Variance: 71937939092.91

Median: 440000

Mean: 520611.85






Count (all): 593


Areas ( Finland )

Fre

quen

cy

0 500000 1500000

010

020

030

040

0

Kurtosis: 1.55

Skewness: 1.42

Variance: 267561559723.86

Median: 430000

Mean: 609199.03






Count (all): 2809

Share outlier: 0.12

Areas ( France )

Fre

quen

cy

0 200000 600000 1000000

020

0040

0060

00

Kurtosis: 1.36

Skewness: 1.22

Variance: 59006104048.26

Median: 350000

Mean: 428055.74






Count (all): 25147


164

Anhang


Abbildung A3: Histogramme Siedlungsverteilung (D,H,IS,IRL)

Areas ( Germany )

Fre

quen

cy

0 500000 1000000 1500000

010

0020

0030

0040

00

Kurtosis: 1.5

Skewness: 1.36

Variance: 106330729398.38

Median: 420000

Mean: 533049.45






Count (all): 21787


Areas ( Hungary )F

requ

ency

0 500000 1500000 2500000

010

020

030

040

050

0

Kurtosis: 0.82

Skewness: 1.2

Variance: 348101676652.49

Median: 580000

Mean: 786593.41






Count (all): 3486


Areas ( Iceland )

Fre

quen

cy

0 500000 1000000 1500000

05

1015

20

Kurtosis: 2.72

Skewness: 1.8

Variance: 86240659340.66

Median: 430000

Mean: 515000






Count (all): 109


Areas ( Ireland )

Fre

quen

cy

0 500000 1000000 1500000 2000000

020

4060

8010

014

0

Kurtosis: 1.28

Skewness: 1.3

Variance: 174131702441.88

Median: 4e+05

Mean: 528396.23






Count (all): 843


165

Anhang


Abbildung A4: Histogramme Siedlungsverteilung (I,LV,LT,L)

Areas ( Italy )

Fre

quen

cy

0 500000 1000000 1500000

050

010

0015

00

Kurtosis: 1.11

Skewness: 1.22

Variance: 142945182666.84

Median: 430000

Mean: 549120.61






Count (all): 10431


Areas ( Latvia )F

requ

ency

0 500000 1000000 1500000 2000000

020

4060

80

Kurtosis: 1.53

Skewness: 1.47

Variance: 163202164969.49

Median: 470000

Mean: 598356.48






Count (all): 488


Areas ( Lithuania )

Fre

quen

cy

0 400000 800000 1200000

010

020

030

040

0

Kurtosis: 0.54

Skewness: 0.96

Variance: 64763985143.47

Median: 440000

Mean: 504651.92






Count (all): 2037


Areas ( Luxembourg )

Fre

quen

cy

0 200000 600000 1000000

010

2030

40

Kurtosis: 0.24

Skewness: 0.72

Variance: 81134875027.17

Median: 340000

Mean: 405720.93






Count (all): 239


166

Anhang


Abbildung A5: Histogramme Siedlungsverteilung (MK,NL,N,PL)

Areas ( Macedonia )

Fre

quen

cy

0 200000 600000 1000000

020

4060

80

Kurtosis: 1.51

Skewness: 1.19

Variance: 41588517590.56

Median: 380000

Mean: 428161.29






Count (all): 352


Areas ( Netherlands )F

requ

ency

0e+00 1e+06 2e+06 3e+06 4e+06

050

100

150

Kurtosis: 1.64

Skewness: 1.49

Variance: 666568534201.88

Median: 660000

Mean: 970502.59






Count (all): 1535


Areas ( Norway )

Fre

quen

cy

0 500000 1500000 2500000

050

100

150

200

Kurtosis: 1.02

Skewness: 1.24

Variance: 267459187345.01

Median: 540000

Mean: 707596.49






Count (all): 1273


Areas ( Poland )

Fre

quen

cy

0 500000 1000000 1500000

050

010

0015

0020

00

Kurtosis: 1.37

Skewness: 1.32

Variance: 79458054285.3

Median: 400000

Mean: 499948.65





Mean (all data): 944336

Count (all): 10482


167

Anhang


Abbildung A6: Histogramme Siedlungsverteilung (P,RO,SRB,SK)

Areas ( Portugal )

Fre

quen

cy

0 500000 1000000 1500000

010

020

030

040

050

0

Kurtosis: 1.83

Skewness: 1.55

Variance: 78785076067.26

Median: 400000

Mean: 499170.44






Count (all): 2242


Areas ( Romania )F

requ

ency

0 500000 1500000 2500000

020

040

060

080

010

00

Kurtosis: 0.46

Skewness: 1.02

Variance: 367911128150.36

Median: 660000

Mean: 831331.57






Count (all): 11386

Share outlier: 0.07

Areas ( Serbia )

Fre

quen

cy

0 500000 1500000 2500000

050

100

150

200

Kurtosis: 1.11

Skewness: 1.34

Variance: 403575227212.04

Median: 6e+05

Mean: 831910.79






Count (all): 1670


Areas ( Slovakia )

Fre

quen

cy

0 500000 1000000 1500000

010

020

030

040

050

0

Kurtosis: 0.7

Skewness: 1.18

Variance: 112222541628.69

Median: 5e+05

Mean: 609355.11






Count (all): 2588


168

Anhang


Abbildung A7: Histogramme Siedlungsverteilung (SLO,E,S,TR)

Areas ( Slovenia )

Fre

quen

cy

0 200000 600000 1000000

050

100

150

Kurtosis: 0.75

Skewness: 1.13

Variance: 76174306309.86

Median: 380000

Mean: 460938.09






Count (all): 593


Areas ( Spain )F

requ

ency

0 500000 1000000 1500000 2000000

020

040

060

080

0

Kurtosis: 1.12

Skewness: 1.24

Variance: 166291373279.07

Median: 450000

Mean: 578797.34






Count (all): 5358


Areas ( Sweden )

Fre

quen

cy

0 500000 1500000 2500000

050

100

200

300

Kurtosis: 0.89

Skewness: 1.22

Variance: 440656281874.4

Median: 6e+05

Mean: 816149.09






Count (all): 3044


Areas ( Turkey )

Fre

quen

cy

0e+00 4e+05 8e+05

050

015

0025

00

Kurtosis: 1.27

Skewness: 1.34

Variance: 34035353100.36

Median: 360000

Mean: 423873.51






Count (all): 11014


169

Anhang

Ranggrößenregel angewendet auf die Flächen für verschiedene europäische

Staaten

Abbildung A8: Ranggrößen (Deutschland,Polen)

(a) Deutschland

��

��

��

��

��

�

��

��

��

!��"�

��

��"

��#

��

��

� " # � � � � � � ��"�#��"�

��

$%��

��

(b) Polen

��

��

��

��

��

�

��

��

��

��

� ��

�

��

��

��

��

��

� � � � � � � � � ��

Abbildung A9: Ranggrößen (Frankreich,Rumänien)

(a) Frankreich

��

��

��

��

��

�

��

��

��

�� !

"#��

��

��!

��$

��

��

� ! $ � � � � � � ��!�$��!�

��

��

(b) Rumänien

��

��

��

��

��

�

��

��

��

��

�!��

�

��

��"

��#

��

��

� " # � � � � � ��"�#� ��"�

��

��

Abbildung A10: Ranggrößen (Schweden,Spanien)

(a) Schweden

��

��

��

��

��

�

��

��

��

��

!��"

�

��

��"

��#

��

��

� " # � � � � � � ��"�#��"�

��

��

(b) Spanien

��

��

��

��

��

�

��

��

��

��

!��"��

��

��#

��"

��$

��

� # " $ � � � � � ��#�"�$��#�

170

Anhang

Fraktale Dimension einzelner ausgewählter europäischer Gebiete

Abbildung A11: Irland - Fraktale Dimension der Siedlungen

Legende

Fraktale Dimension

[1.21 - 1.27[

[1.27 - 1.30[

[1.30 - 1.33[

[1.33 - 1.36[

[1.36 - 1.46]

171

Anhang

Abbildung A12: Sizilien - Fraktale Dimension der Siedlungen

Legende

Fraktale Dimension

[1.21 - 1.27[

[1.27 - 1.30[

[1.30 - 1.33[

[1.33 - 1.36[

[1.36 - 1.46]

172

Anhang

Abbildung A13: Finnland - Fraktale Dimension der Siedlungen

Legende

Fraktale Dimension

[1.21 - 1.27[

[1.27 - 1.30[

[1.30 - 1.33[

[1.33 - 1.36[

[1.36 - 1.46]

173

Anhang

Abbildung A14: Türkei - Fraktale Dimension der Siedlungen

Legende

Fraktale Dimension

[1.21 - 1.27[

[1.27 - 1.30[

[1.30 - 1.33[

[1.33 - 1.36[

[1.36 - 1.46]

174

Literaturverzeichnis

[1] Albers, G.: Stadtplanung - Eine praxisorientierte Einführung. 1996

[2] Angel, S. ; Parent, J. ; Civco, D.L.: Ten copactness properties of circles:

measuring shape in geography. In: The canadian geographer 54 (2010), Nr. 4, S.

441–461

[3] Anggraini, R.: Household Activity-Travel Behaviour: Implementation of Within-

Household Interactions, Technical University Eindhoven, Diss., 2009

[4] Arlinghaus, S.: Fractals take a central place. In: Geografisker Annaler 67B

(1985), Nr. 2, S. 83–88

[5] Arndt, W.H. ; Einacker, I. ; Flämig, H. ; Schneider, C. ; Sommer, K. ; Um-

weltbundesamt (Hrsg.): Erprobung von Maßnahmen zur umweltschonenden

Abwicklung des städtischen Wirtschaftsverkehrs. Forschungsbericht 29796011/2

UBA-FB 000133. Bonn, 2000

[6] Avineri, E.: Nudging Travellers to Make Better Choices. The international Choice

Modelling Conference. 30. März - 2. April 2009, Harrogate - Großbritannien, 2009

[7] Baker, K. ; K.J., Lomas ; Rylatt, M.: Energy use. In: Jenks, M. (Hrsg.) ;

Jones, C. (Hrsg.): Dimension of the Sustainable City, 2010

[8] Ballas, D. ; Clarke, G.: Modelling the local impacts of national social policies:

A Microsimulation Approach. Paper presented at the 11th European Colloquium

on Theoretical and Quantitative Geography. September 1999, Durham - England,

1999

[9] Barredo, J. ; Lavalle, C. ; Kasanko, M. ; McCormick, N.: Sustainable

urban and regional planning: The MOLAND activities on urban scenario model-

ling and forecast. Luxembourg: Office for Official Publications of the European

Communities, 2003

175


[10] Batty, M.: Cities and Complexity - Understanding Cities with Cellular Automata,

Agent-Based Models and Fractals. London : MIT Press, 2005

[11] Batty, M. ; Longley, P.: Fractal City: A geometry of form and function. London

: Academic Press, 1994

[12] Becker, G.S.: A theory of the allocation of time. In: The economic Journal 75

(1965), Nr. 299, S. 493–517

[13] Behrends, S. ; Deckl, S. ; Krebs, T. ; Stuckemeier, A. ; Statisti-

sches Bundesamt (Hrsg.): Ausstattung und Wohnsituation privater Haushalte.

Einkommens- und Verbrauchsstichprobe. 2003

[14] Behrends, S. ; Kott, K. ; Statistisches Bundesamt (Hrsg.): Zuhause in

Deutschland - Ausstattung und Wohnsituation privater Haushalte. 2009

[15] Benenson, I. ; Torrens, Paul M.: Geosimulation. Chichester : John Wiley &

Sons,LTD, 2004

[16] Benguigui, L. ; Czamanski, D. ; Marinov, M. ; Portugali, Y.: When and

where is a city fractal? In: Environment and Planning B: Planning and Design 27

(2000), Nr. 4, S. 507–519

[17] Bhat, C.R. ; Pendyala, R.M.: Modeling intra-household interactions and group

decision-making. In: Transportation 32 (2005), Nr. 5, S. 443–448

[18] Bhat, C.R. ; Srinivasan, S. ; Axhausen, K.W.: An analysis of multiple intere-

pisode durations using a unifying multivariate hazard model. In: Transportation

Research Part B 39 (2005), S. 797–823

[19] Biesiot, W. ; Noorman, K.L.: Energy requirements of household consumption:

a case study of the Netherlands. In: Ecological Economics 28 (1999), S. 367–383

[20] Bin, S. ; Dowlatabadi, H.: Consumer lifestyle approach to US energy use and

the related CO2 emmissions. In: Energy Policy 33 (2005), S. 197–208

[21] Block, A. ; von Bloh, W. ; Schnellnhuber, H.J.: Efficient box-counting

determination of generalized fractal dimension. In: Physical Review A 42 (1990),

Nr. 4, S. 1869–1874

176


[22] Bortz, J. ; Lienert, G. ; Boehnke, K.: Verteilungsfreie Methoden in der Bio-

statistik. 3. Berlin : Springer, 2008

[23] Bossard, M. ; Feranec, J. ; Otahel, J.: CORINE land cover technical guide -

Addendum 2000. Copenhagen, 2000

[24] Bowman, J.: Historical development of activity based model theory and practice.

In: Traffic Engineering and Control 50 (2009), Nr. 2, S. 59–62

[25] Braam, W.: Stadtplanung. 3. 1999

[26] Bradley, M. ; J., Bowman: Design Features of Activity-Based Microsimulation

Models for U.S. Metropolitan Planning Organizations. In: Transportation Re-

search Board of the national academies (Hrsg.): Conference Proceedings

42: Innovations in Travel Demand Modeling. Washington D.C., 2006, S. 22–31

[27] Bradley, M. ; Vovsha, P.: A model for joint choice of daily activity pattern

types of household members. In: Transportation 32 (2005), Nr. 5, S. 545–571

[28] Bradtke, T.: Statistische Grundlagen für Ökonomen. 2. Oldenbourg, 2007

[29] Brücher, W.: Energiegeographie - Wechselwirkungen zwischen Ressourcen, Raum

und Politik. 2009

[30] Bretagnolle, A. ; Pumain, D. ; Vacchiani-Marcuzzo, C.: The Organization

of Urban Systems. In: Lane, D. (Hrsg.) ; Van der Leeuw, S. (Hrsg.) ; Pumain,

D. (Hrsg.) ; West, G. (Hrsg.): Complexity Perspectives in Innovation and Social

Change, 2009

[31] Browning, M. ; Chiappori, P.A. ; Lechene, V.: Collective and unitary models:

A clarification. In: Review of economics of the household 4 (2006), Nr. 1, S. 5–14

[32] Bärwaldt, M. ; Kurrat, M.: Auswirkungen von Haushaltsstromtarifen auf der

Basis stochastischer Haushaltslastprofile. X. Symposium Energieinnovation 13.-15.

Februar 2008, Graz - Österreich, 2008

[33] Buehler, R.: Determinants of transport mode choice: a comparison of Germany

and the USA. In: Journal of Transport Geography 19 (2011), S. 644–657

[34] Buliung, R.N. ; Kanaroglou, P.S.: A GIS toolkit for exploring geographies

of household activity/travel behaviour. In: Journal of Transport Geography 14

(2006), S. 35–51

177


[35] Bundesministerium für Verkehr, Bau und Stadtentwicklung (Hrsg.) ;

Bundesamt für Bauwesen und Raumordnung (Hrsg.): Handlungskatalog:

Optionen erneuerbarer Energien im Stadtraum. Bonn, 2009

[36] Bundesministerium für Verkehr, Bau und Stadtentwicklung (Hrsg.) ;

Bundesamt für Bauwesen und Raumordnung (Hrsg.): Nutzung städtischer

Freiflächen für erneuerbare Energien. Bonn, 2009

[37] Charypar, D. ; Nagel, K.: Genetic complete all-day activity plans with genetic

algorithms. In: Transportation 32 (2005), S. 369–397

[38] Chen, C. ; Gärling, T. ; Kitamura, R.: Activity rescheduling: reasoned or

habitual? In: Transportation Research Part F 7 (2004), S. 351–371

[39] Chiappori, P.A. ; Haddad, L. ; Hoddinott, J. ; Kanbur, R.: Unitary versus

Collective Models of the Household - Time to shift the burdon of proof? Policy

Research Working Paper 1217 / Worldbank. 1993. – Forschungsbericht

[40] Commission of the European Communities: Green Paper on the Urban

Environment. Brussels, 1990

[41] Deutscher Städtetag (Hrsg.): Demographischer Wandel - Herausforderun-

gen, Chancen und Handlungsmöglichkeiten für die Städte. Arbeitspapier des deut-

schen Städtetages., 2006

[42] Deutscher Städtetag (Hrsg.): Klimaschutz in den Städten. Positionspapier.,

2008

[43] Dohrn-van Rossum, G: Die Geschichte der Stunde - Uhren und moderne Zeit-

ordnungen. Köln : Anaconda, 2007

[44] Drumm, H.J.: Personalwirtschaft. 6. Springer, 2008

[45] Eberle, U. ; Öko-Institut (Hrsg.): Herde als EcoTopTen-Produkte. 2007

[46] Eberling, M. ; Deutsches Institut für Urbanistik (Hrsg.): Time Structu-

res of the city - Case Study Bremen. Occasional Paper. Berlin : W.Kohlhammer,

1999

[47] Ehling, M. ; E., Holz ; Kahle, I.: Erhebungsdesign der Zeitbudgeterhebung

2001/2002. In: Statistisches Bundesamt (Hrsg.): Wirtschaft und Statistik 6,

2001

178


[48] Ellegård, K. ; Cooper, M.: Complexity in daily life - a 3D - visualization

showing activity patterns in their contexts. In: electronic International Journal of

Time Use Research 1 (2004), Nr. 1, S. 37–59

[49] Ellegård, K. ; Palm, J.: Visualizing energy consumption activities as a tool for

making every day life more sustainable. In: Applied Energy 88 (2011), S. 1920–1926

[50] European Commission (Hrsg.): Sustainable Urban Transport Plans. 2007

[51] European Commission (Hrsg.): EU energy and transport in figures - Statistical

Pocketbook. 2010

[52] European Environmental Agency (Hrsg.): Urban Sprawl in Europe - the

ignored challenge.EEA Report 10. 2006

[53] European Environmental Agency (Hrsg.): Climate for a transport change -

Term 2007: indicators tracking transport and environment in the European Union.

EEA Report 1. 2008

[54] Everding, D. (Hrsg.): Solarer Städtebau. Stuttgart : W.Kohlhammer, 2007

[55] Faller, A.: Visualisierungsansätze von Stadtrhythmen. 2001

[56] Fluhr, J. ; Ahlert, K.H. ; Weinhardt, C.: A Stochastic Model for Simulating

the Availability of Electric Vehicles for Services to the Power Grid. Paper presented

at the 43rd International Conference on System Sciences 2010 Hawaii, 2009

[57] Fonseca, J.W: Urban-Rank-Size Hierarchy: A Mathmatical Interpretation. Ann

Arbor: Institute of Mathematical Geography. Monograph#8, 1989

[58] Frankhauser, P.: Comparing the morphology of urban patterns in Europe - a

fractal approach. In: Borsdorf, A. (Hrsg.) ; Zembri, P. (Hrsg.): European Cities

- Structures - Insights on Outskirts. Brussels, 2004

[59] Freidlin, B. ; Gastwirth, J.-L.: Should the median test be retired from general

use? In: The American Statistican 54 (2000), Nr. 3, S. 161–164

[60] Förster, M. ; Kleinschmitt, B.: Einfluss von Segmentierungsskalen auf Struk-

turparameter zur Wissensbasierten Klassifikation am Beispiel von Natura 2000

Lebensraumtypen - Beiträge zum Workshop der IALE-AG Landschaftsstruktur -

Berlin 2006. In: Kleinschmit, B. (Hrsg.) ; Walz, U. (Hrsg.): Landschaftsstruk-

turmaße in der Umweltplanung. Technische Universität Berlin, 2006 (S19)

179


[61] Fulford, C.: The Compact City and the Market: The Case of Residential De-

velopment. In: Jenks, M. (Hrsg.) ; Burton, E. (Hrsg.) ; Williams, E. (Hrsg.):

The compact city - a sustainable urban form, E & FN Spon, 1996

[62] Galster, G. ; Hanson, R. ; Ratcliffe, M.R. ; Wolman, H. ; Coleman, S.

; Freihage, J.: Wrestling Sprawl to the Ground: Defining and Measuring an

Elusive Concept. In: Housing Policy Debate 12 (2001), Nr. 4, S. 681–717

[63] Gilbert, G. ; Dajani, J.S.: Energy, urban form and transportation policy. In:

Transportation research 8 (1974), Nr. 4-5, S. 267–276

[64] Golany, G.: Ethics & Urban design - Culture, Form & Environment. New York

: John Whiley & Sons, 1995

[65] Golledge, R. ; Gärling, T.: Spatial Behavior in Transportation Modeling and

Planning. In: Goulias, K. (Hrsg.): Transportation Systems Planning Methods and

Applications. CRC Press, 2003

[66] Grassmuck, V. ; Bundesamt für Politische Bildung (Hrsg.): Freie Soft-

ware Zwischen Privat- und Gemeineigentum. Schriftenreihe Band 458. 2. Bonn,

2004

[67] Gärling, T. ; Kwan, M.P. ; Golledge, R.: Computational-process modelling of

household activity scheduling. In: Transportation Research Part B: Methodological

28 (1994), Nr. 5, S. 355–364

[68] Guérois, M. ; Pumain, D.: Built-up encroachment and the urban field: a com-

parison of forty European cities. In: Environment and Planning A 40 (2008), S.

2186–2203

[69] Hannes, E. ; Jannssens, D. ; Wets, G.: Destination Choice in daily activity

travel: the mental map’s repertoire. In: Transportation Research Record: Journal

of the Transportation Research Board 2054 (2008), S. 20–27

[70] Hannes, E. ; Janssens, D. ; Wets, G.: Does space Matter? Travel Mode Scripts

in Daily Activity Travel. In: Environment and Behaviour 41 (2009), Nr. 1, S.

75–100

[71] Haralick, R.M. ; Shapiro, L. G.: Computer and Robot Vision. Bd. 1. Addison-

Wesley, 1992

180


[72] Helbrecht, I.: Urbane Zeitpolitik - Der Zusammenhalt der Zeiten in der Stadt.

In: Mückenberger, U. (Hrsg.) ; Timpf, S. (Hrsg.): Zukünfte der europäischen

Stadt - Ergebnisse einer Enquete zur Entwicklung und Gestaltung urbaner Zeiten,

2007, S. 233–250

[73] Henckel, D. ; Grabow, B. ; Kunert-Schroth, H. ; Nopper, E. ; Rauch, N.

; Deutsches Institut für Urbanistik (Hrsg.): Zeitstrukturen und Stadtent-

wicklung. Schriftenreihe des deutschen Instituts für Urbanistik. Band 81. Stuttgart

: W.Kohlhammer, 1989

[74] Herold, M. ; Goldstein, N.C. ; K.C., Clarke: The spatiotemporal form of urban

growth: measurement, analysis and modeling. In: Remote Sensing of Environment

86 (2003), S. 286–302

[75] Herrmann, J.: Effizienz, Wirtschaftlichkeit und Potential von klein-

Blockheizkraftwerken, Universität Augsburg, Diplomarbeit, 2006

[76] Hühnerbein, B. ; Reese, C. ; Hofmann, L.: Stochastisches Lastmodell (TP 4).

In: Kurrat, M. (Hrsg.): Dezentrale Energiesysteme. Tagungsband 2. Statussemi-

nar. Braunschweig, 2008

[77] Hradil, H.: Soziale Ungleichheit in Deutschland. 8. VS Verlag für Sozialwissen-

schaften, 2005

[78] Hradil, H.: Soziale Milieus- eine praxisorientierte Forschungsperspektive. In:

Bundesamt für politische Bildung (Hrsg.): Soziale Milieus, 2006

[79] Humpert, K.: Einführung in den Städtebau. 1997

[80] Ireland, C.T. ; Kullback, S.: Contingency tables with given marginals. In:

Biometrika 55 (1968), Nr. 1, S. 179–188

[81] Jabareen, Y.R: Sustainable Urban Forms: Their Typologies, Models and Con-

cepts. In: Journal of Planning Education and Research 26 (2006), S. 38–52

[82] Jacobs, J.: The death and life of great american cities. New York : Random

House, 1961

[83] Jenks, M. (Hrsg.) ; Burton, E. (Hrsg.) ; Williams, E. (Hrsg.): The compact

city - a sustainable urban form. 1. London : E & FN Spon, 1996

181


[84] Jenks, M. (Hrsg.) ; Colin, J. (Hrsg.): Dimensions of the Sustainable City. 1.

Dordrecht : Springer, 2010

[85] Jähne, B.: Digitale Bildverarbeitung. 6. Berlin : Springer, 2005

[86] Joh, C.H. ; Arentze, T. ; Timmermans, H.: Understanding activity scheduling

and rescheduling behaviour: Theory and numerical illustration. In: GeoJournal 53

(2001), S. 359–371

[87] Karathodorou, N. ; Graham, D.J. ; Noland, R.B.: Estimating the effect of

urban density on fuel demand. In: Energy Economics 32 (2010), S. 86–92

[88] Keirstead, J. ; Samsatli, N. ; Shah, N.: SYNCITY: An integrated tool kit

for urban energy systems modelling. Paper presented at the fifth Urban Research

Symposium 2009 Marseilles, 2009

[89] Khandker, M.N.H.: Modelling Activity Generation Processes, University of To-

ronto, Diss., 2007

[90] Khandker, M.N.H.: A random utility maximization (RUM) based dynamic acti-

vity scheduling model: Application in weekend aktivity scheduling. In: Transpor-

tation 38 (2011), Nr. 1, S. 123–151

[91] Kühnert, C. ; Helbing, D. ; West, G.: Scaling laws in urban supply networks.

In: Physica A 363 (2006), Nr. 1, S. 96–103

[92] Koch, A.: Sozialgeographische agentenbasierte Geosimulation - Zur Komple-

mentarität von Raumsemantik und Raummodell. In: Klagenfurter Geographische

Schriften Heft 23 (2003), S. 35–64

[93] Koch, A.: Agentenbasierte Simulation sozialräumlicher Interaktionsprozesse. Ein

systemtheoretischer Ansatz zur Überwindung des Komplementaritätsproblems. In:

Greifswalder geographische Arbeiten 39 (2006), S. 123–136

[94] Koijma, N. ; Laba, M. ; Liendo, X. ; Bradley, A. ; A., Millington ; Baveye,

P.: Causes of the apparent scale independence of fractal indices associated with

forest fragmentation in Bolivia. In: ISPRS Journal of Photogrammetry & Remote

Sensing 61 (2006), S. 84–94

[95] Kommission der europäischen Gemeinschaft: Grünbuch - Hin zu einer

neuen Kultur der Mobilität in der Stadt. Brüssel, 2007

182


[96] Kommission der europäischen Gemeinschaft: Aktionsplan urbane Mobili-

tät. Brüssel, 2009

[97] Kostof, S.: The city shaped: urban patterns and meaning through history. 1.

Boston : Little Brown & Co, 1991

[98] Kramer, C.: Zeit für Mobilität. Stuttgart : Franz Steiner Verlag, 2005

[99] Kronenberg, T. ; Forschungszentrum Jülich (Hrsg.): Auswirkungen des

demographischen Wandels auf die Konsumausgaben der privaten Haushalte. STE

Research Report. 2008

[100] Kwan, M.-P.: GIS Methods in Time-Geographic Research: Geocomputing And

Geovisualization of Human Activity Patterns. In: Geografisker Annaler 86 (2004),

Dezember, S. 267–280

[101] Kwan, M.-P.: Mobile Communications, Social Networks, and Urban Travel: Hy-

pertext as a new Metaphor for Conceptualizing Spatial Interaction. In: The Pro-

fessional Geographer 59 (2007), Nr. 4, S. 434–446

[102] Lahti, P.: Traditional and new models explaining urban and regional form and

change - case Helsinki. In: Borsdorf, A. (Hrsg.) ; Zembri, P. (Hrsg.): European

Cities - Structures - Insights on Outskirts. Brussels, 2004, S. 31–48

[103] Lariviére, I. ; Lafrance, G.: Modelling the electricity consumption of cities:

effect of urban density. In: Energy Economics 21 (1999), S. 53–66

[104] Levine, M. ; Voratz, D. Ürge ; Blok, K. ; Geng, L. ; Harvey, D. ; Lang,

S. ; Levermore, G.: Residential and commercial buildings. Contribution of the

working group III to the fourth assessment report of the Intergovernmental Panel

on Climate Change. In: Metz, B. (Hrsg.) ; Davidson, O. (Hrsg.) ; Bosch, P.

(Hrsg.) ; Dave, R. (Hrsg.) ; Meyer, L. (Hrsg.): Climate Change 2007: Mitigation.

Cambridge : Cambridge Univrsity Press, 2007

[105] Liao, L. ; Fox, D. ; Kautz, H.: Extracting Places and Activities from GPS

Traces Using Hierarchical Conditional Random Fields. In: International Journal

of Robotics Research 26 (2007), Nr. 1, S. 119–134

[106] Lovejoy, S.: Area-perimeter relation for rain and cloud areas. In: Science 216

(1982), S. 185–187

183


[107] Lynch, K.: A good city form. 1. 1981

[108] Lynch, K.: What Is the Form of a city, and How Is It Made? In: Marzluff,

E. J.M.and S. J.M.and Shulenberger (Hrsg.) ; Endlicher, W. (Hrsg.) ; Alber-

ti, M. (Hrsg.) ; Bradley, G. (Hrsg.) ; Ryan, C. (Hrsg.) ; Simon, U. (Hrsg.) ;

ZumBrunnen, C. (Hrsg.): Urban Ecology, 2008

[109] Meiling, G. ; Quizhong, L.: Realizing the Box-counting Method for Calculating

Fractal Dimension of Urban Form Based on Remote Sensing Image. In: Geo-spatial

Information Science 12 (2009), Nr. 4, S. 265–270

[110] Meinel, G. ; Schubert, I. ; Siedentop, S. ; Buchroithner, M.: Europäische

Siedlungsstrukturvergleiche auf Basis von Corine land Cover - Möglichkeiten und

Grenzen. Paper presented at the REAL CORP 2007 Wien, 2007

[111] Merz, J.: Time Use and Time Budgets - Improvements, Future Challenges and

Recommendations. MPRA Paper No. 16304. 2009

[112] Miller, H.-J.: What about People in Geographic Information Science. In: Fis-

her, P. (Hrsg.) ; Unwin, D. (Hrsg.): Re-Presenting GIS, 2005

[113] Minaldi, O. ; Raveh, A. ; Salomon, I.: Urban density end energy consumption:

a new look at old statistics. In: Transportation Research Part A 38 (2004), S.

143–162

[114] Montero, R.S. ; Bribiesca, E.: State of the Art of Compact and Circularity

Measures. In: International Mathematical Forum 4 (2009), Nr. 27, S. 1305–1335

[115] Morris, A.E.J.: History of urban Form - Before the Industrial Revolutions. 3.

1994

[116] Mueller, K. ; Axhausen, K.W.: Population synthesis for microsimulation: State

of the art, paper presented at the 90th Annual Meeting of the Transportation

Research Board. Washington D.C., 2011. – Forschungsbericht

[117] Muniz, I. ; Galindo, A.: Urban form and the ecological footprint of commuting.

The Case of Barcelona. In: Ecological Economics 55 (2005), S. 499–514

[118] Neumann, M.: The compact city fallacy. In: Journal of Planning Education and

Research 25 (2005), Nr. 1, S. 11–26

184


[119] Newman, P. ; Kenworthy, J.: Cities and Automobile Dependence - An inter-

national sourcebook. Aldershot : Gower, 1989

[120] Nölting, B. ; Keppler, D. ; Grüttner, F. ; Hirschl, B. ; Aretz, A. ; Bö-

ther, T.: Mecklenburg-Vorpommern als Leitregion für wirtschaftliche Entwick-

lung durch den Ausbau erneuerbarer Energien. Eine Studie im Auftrag der SPD-

Landtagsfraktion Mecklenburg-Vorpommern / Innovationsverbund Ostdeutsch-

landforschung. 2011. – Forschungsbericht

[121] Olaru, D. ; Smith, B.: Modelling behavioural rules for daily activity scheduling

using fuzzy logic. In: Transport 32 (2005), S. 423–441

[122] Owens, S.: Energy, Planning and Urban Form. London : Pion Limited, 1986

[123] Owens, S.: Energy, environmental sustainability and land-use planning. In: Bre-

heny, M. (Hrsg.): Sustainable development and urban form. London : Pion, 1992

[124] Paatero, J.V. ; Lund, P.D.: A model for generating household electricity load

profiles. In: International Journal of Energy Research 30 (2006), S. 273–290

[125] Petersohn, H.: Data Mining - Verfahren, Prozesse, Anwendungsarchitektur.

München : Oldenburg Verlag, 2005

[126] Pohl, T.: Zeitgeographische Prozesse in der Stadt und ihre Relevanz für raum-

strukturelle Disparitäten. In: Greifswalder geographische Arbeiten 39 (2006), S.

137–144

[127] Poudenx, P. ; Merida, W.: Energy demand and greenhouse gas emissions from

urban passenger transport versus availability of renewable energy: The example of

Canadian Lower Fraser Valley. In: Energy 32 (2007), S. 1–9

[128] Prinz, D.: Städtebau. (2.Bd). 6. 1997

[129] Přibyl, O.: A microsimulation model of activity patterns and within household

interactions, The Pennsylvania State University, Diss., 2004

[130] Raith, E.: Stadtmorphologie - Annäherungen, Umsetzungen, Aussichten. Habili-

tationsschrift - Technische Universität Wien, 1998

[131] Ratti, C. ; Backer, N. ; Steemers, K.: Energy consumption and urban texture.

In: Energy and and Buildings 37 (2005), S. 762–776

185


[132] Raydan, D. ; Steemers, K.: Environmental Urban Design. In: Santamouris,

M. (Hrsg.): Environmental Design of Urban Buildings - An integrated approach.

London : Earthscan, 2006

[133] Reusswig, F. ; Gerlinger, K. ; Edenhofer, O. ; Gerstengarbe, F.-W.

(Hrsg.): Lebensstile und globaler Energieverbrauch - Analyse und Strategieansätze

zu einer nachhaltigen Energiestruktur. Potsdam Institute for climate impact rese-

arch - Report No.90. Potsdam, 2004

[134] Richardson, I. ; Thomson, M. ; Infield, D.: A high-resolution domestic buil-

ding occupancy model for energy demand simulation. In: Energy and buildings 40

(2008), S. 1560–1566

[135] Richardson, I. ; Thomson, M. ; Infield, D. ; Clifford, C.: Domestic elec-

tricity use: A high resolution energy demand model. In: Energy and buildings 42

(2010), S. 1878–1887

[136] Rindsfüser, G.: Die Verwendung zeitbezogener Daten für die Analyse von Ak-

tivitätensequenzen im Kontext der Verkehrsnachfragemodellierung. In: Statisti-

sches Bundesamt (Hrsg.): Zeitbudget in Deutschland - Erfahrungsberichte der

Wissenschaft. Wiesbaden, 2001, S. 58–77

[137] Roorda, Matthew T. ; Habib, Miller Eric J. Khandker M. N.: Validation of

TASHA: A 24-h activity scheduling microsimulation model. In: Transportation

research Part A 42 (2008), S. 360–375

[138] Rygole, D.: Energy and Urban Form - The need for energy conscious urban

planning. Center for Metropolitan Planning and Research. The Johns Hopkins

University. Baltimore, 1978

[139] Sachs, L. ; Hedderich, J.: Angewandte Statistik - Methodensammlung mit R.

12. Berlin : Springer, 2007

[140] Salomon, I. ; Feitelson, E. ; Cohen, G. ; Moeckel, R. ; Spiekermann,

K. ; Wegener, M.: Sustainable Mobility in Cities: Qualitative and Quantitative

Analysis. Berichte aus dem Institut für Raumplanung 56 / Universität Dortmund.

2002. – Forschungsbericht

186


[141] Santamouris, M.: Heat Island Research in Europe: The State of the Art. In: San-

tamouris, M. (Hrsg.): Advances in Building Energy Research. London : Earths-

can, 2007, S. 123–150

[142] Saunders, M.J. ; Kuhnimhof, T. ; Chlond, B. ; da Silva, A.N.R.: Incorpo-

rating transport energy into urban planning. In: Transport Research Part A 42

(2008), S. 874–882

[143] Schipper, L. ; Bartlett, S. ; Hawk, D. ; Vine, E.: Linking Life-Styles and

Energy Use: A matter of time? In: Annual Review of Energy 14 (1989), S. 273–320

[144] Schlich, R.: Verhaltenshomogene Gruppen in Längsschnitterhebungen, Eidgenös-

sische Technische Hochschule Zürich, Diss., 2004

[145] Schüssler, F.: Historical review of energy topics in German geographical litera-

ture from 1950 to 2008. In: Erdkunde 3 (2009), S. 269–282

[146] Schwarz, N.: Urban form revisited - Selecting indicators for characterising Eu-

ropean cities. In: Landscape and Urban Planning 96 (2010), S. 29–47

[147] Schweppe-Kraft, B.: Entwicklung eines Indikators zur Messung der Zersiedlung

von Landschaft. Vortrag, Workshop: Stand und Entwicklung der Flächenversiege-

lung, TLUG, Jena, 2009

[148] Shaw, S.-L. ; Yu, H.: A GIS-based time-geographic approach of studying individu-

al activities in a hybrid physical-virtual space. In: Journal of transport Geography

17 (2009), S. 141–149

[149] Shaw, S.-L. ; Yu, H. ; Bombom, L.S.: A Space-Time GIS Approach to Explo-

ring Large Individual-based Spatiotemporal Datasets. In: Transactions in GIS 12

(2008), Nr. 4, S. 425–441

[150] Snyder, J.-P. ; U.S. Geological Survey (Hrsg.): Map Projections - A working

manual. United States Government printing office, 1987

[151] Song, C. ; Qu, Z. ; Blumm, N. ; Barabási, A.L.: Limits of predictability in

human mobility. In: Science 327 (2010), S. 1018–1021

[152] Statistisches Bundesamt: Alltag in Deutschland : Analysen zur Zeitverwen-

dung - Beiträge zur Ergebniskonferenz der Zeitbudgeterhebung 2001/02 am 16./17.

Februar 2004 in Wiesbaden. 2004

187


[153] Statistisches Bundesamt ; Statistisches Bundesamt (Hrsg.): Wirtschafts-

rechnungen - Einkommens- und Verbrauchsstichprobe - Ausstattung privater Haus-

halte mit ausgewählten Gebrauchsgütern. Fachserie 15 Heft 1. 2008

[154] Steemers, K.: Energy and the city: density, buildings and transport. In: Energy

and buildings 35 (2003), S. 3–14

[155] Östereichische Raumordnungskonferenz (Hrsg.): Energie und Raument-

wicklung - Räumliche Potentiale Erneuerbarer Energieträger. Schriftenreihe Nr.

178. Wien, 2009

[156] Sullivan, L.H.: The tall office building artistically considered. In: Lippincott’s

monthly magazine (1896), S. 403–409

[157] Talen, E. ; Ellis, C.: Beyond Relativism - Reclaiming the Search for Good City

Form. In: Journal of Planning Education and Research 22 (2002), S. 36–49

[158] Tanimoto, J. ; Hagishima, A. ; Sagara, H.: Validation of probabilistic metho-

dology for generating actual inhabitants behavior schedules for accurate prediction

of maximum energy requirements. In: Energy and Buildings 40 (2008), S. 316–322

[159] Tereci, A. ; Kesten, D. ; Eicker, U.: The Impact of the urban form on heating,

cooling and lightning demand of cities, paper presented at the 1st International

Conference on Sustainable Urbanization (ICSU), Hong Kong, China, 15-17 De-

cember. 2010. – Forschungsbericht

[160] The World Bank (Hrsg.): Cities and climate change: an urgent agenda. Wa-

shington DC, 2010

[161] Timmermans, H. (Hrsg.): Progress in Activity-Based Analyses. Amsterdam :

Elsevier, 2005

[162] Timmermans, H. ; Zhang, Junyi: Modeling household activity travel behavi-

or: Examples of state of the art modeling approaches and research agenda. In:

Transport Research Part B 43 (2009), S. 187–190

[163] Tsai, Y.H.: Quantifying Urban Form: Compactness versus Sprawl. In: Urban

Studies 42 (2005), Nr. 1, S. 141–161

[164] Turok, I. ; Mykhnenko, V.: The trajectories of european cities, 1960-2005. In:

Cities 24 (2007), Nr. 3, S. 165–182

188


[165] United Nations Environment Programme: CCCC Kick the Habit - A UN

Guide to Climate Neutrality. Brüssel, 2008

[166] von Roon, S. ; Gobmaier, T. ; Huck, M.: Demand Side Management in Haus-

halten - Methoden zur Potentialanalyse und Kostenabschätzung. Forschungsstelle

für Energiewirtschaft e.V. München, 2010. – Forschungsbericht

[167] Vovsha, P. ; Bradley, M. ; Bowman, J.L.: Activity-based travel forecasting

models in the United States: Progress since 1995 and Prospects for the Future.

Paper presented at EIRASS Conference 2004 Maastricht, 2004

[168] Vringer, K. ; Aalbers, T. ; Blok, K.: Household energy requirement and value

pattern. In: Energy Policy 35 (2007), S. 553–566

[169] Vrotsou, K. ; Johansson, J. ; Cooper, M.: ActiviTree: Interactive Visual

Exploration of Sequences in Event-Based Data Using Graph Similarity. In: IEEE

Transactions on Visualization and Computer Graphics 15 (2009), Nr. 6, S. 945–952

[170] Wang, D. ; Li, J.: A model of household time allocation taking into consideration

of hiring domestic helpers. In: Transport Research Part B 43 (2009), S. 204–216

[171] Weber, C. ; Perrels, A.: Modelling lifestyle effects on energy demand and

related emissions. In: Energy Policy 28 (2000), S. 549–566

[172] Wegener, M.: Die Stadt der kurzen Wege. Dortmund, 1999

[173] Wegener, M.: Energy scarcity and climate change: the challenge for urban mo-

dels, paper presented at the 11th International Conference on Computers in Urban

Planning and Urban Management, University of Hong Kong, 16-18 June. 2009. –

Forschungsbericht

[174] Widén, J. ; Ellegård, K. ; Wäckelgård, E.: Markov-chain modelling of high-

resolution activity patterns and household electricity demand. Proceedings of the

Scientific Conference on Energy Systems and IT, Älvsjö, Sweden, March 11-12,

2009. 2009. – Forschungsbericht

[175] Widén, J. ; Nilson, A.M. ; Wäckelgård, E.: A combined Markov-chain and

bottom-up approach to modelling of domestic lighting demand. In: Energy and

Buildings 41 (2009), S. 1001–1012

189


[176] Widén, J. ; Wäckelgård, E.: A high-resolution stochastic model of domestic

activity patterns and electricity demand. In: Applied Energy 87 87 (2010), S.

1880–1892

[177] Willis, H.L.: Spatial Electric Load Forecasting. 2. New York : Marcel Dekker

Inc, 2002

[178] Wippermann, C. ; Flaig, B. ; Calmbach, M. ; Kleinhückelkotten, S. ;

Umweltbundesamt (Hrsg.): Umweltbewusstsein und Umweltverhalten der so-

zialen Milieus in Deutschland. Dessau, 2009

[179] Wirtschaftsministerium Baden-Württemberg (Hrsg.): Städtebauliche

Klimafibel. Stuttgart, 2008

[180] Wittmann, T.: Agent-Based Models of Energy Investment Decisions. Heidelberg

: Physica-Verlag, 2008

[181] Wurm, M. ; Taubenböck, H.: Fernerkundung als Grundlage zur Identifikation

von Stadtstrukturtypen. In: Taubenböck, H. (Hrsg.) ; Dech, S. (Hrsg.): Fer-

nerkundung im urbanen Raum - Erdbeobachtung auf dem Weg zur Planungspraxis,

WBG, 2010, S. 94–103

[182] XU, J. ; AI, N. ; MEI, A. ; LIAO, H.: Quantitative Analysis and fractal modeling

on the mosaic structure of landscape in the central area of Shangai metropolis. In:

Chinese geographical science 13 (2003), Nr. 3, S. 199–206

[183] Ye, X. ; Konduri, K. ; Pendyala, R.M. ; Sana, B. ; Waddell, P.: A me-

thodology to match distributions of both household and person attributes in the

generation of synthetic populations. Paper presented at the Annual Meeting of the

Transportation Research Board, Washington D.C., 2003

190

Danksagung

Da zum Gelingen dieser Arbeit nicht nur der Autor beigetragen hat, möchte ich mich bei

allen bedanken, die mich während meines Dissertationsvorhabens begleitet und motiviert

haben. Insbesondere den folgenden Beteiligten gebührt ein besonderer Dank für die

Unterstützung bei der Erstellung dieser Arbeit.

• Herrn Prof. Dr. Peyke für die Übernahme des Erstgutachtens und die fachliche

Betreuung dieser Arbeit.

• Herrn Prof. Dr. Hamacher für die Übernahme des Zweitgutachtens als auch für die

vielen anregenden Diskussionen, die wir während der letzten drei Jahre führten.

• Der Arbeitsgruppe für Energie- und Systemstudien am Max-Planck-Institut für

Plasmaphysik für die gute Arbeitsatmosphäre.

• Dem Max-Planck-Institut für Plasmaphysik mit seinen Verantwortlichen. Dieser

Dank liegt darin begründet, dass dieses Thema jenseits des eigentlichen Forschungs-

auftrages des Institutes liegt und es daher nicht selbstverständlich ist, dass eine

solche Arbeit Unterstützung findet.

• Den beteiligten Partnern des FP7 Projektes Pathways for Carbon Transition. Ei-

nerseits für die Einblicke in das interessante Themengebiet, als auch andererseits

für die Erfahrungen, die ich in dem international ausgerichteten Projekt sammeln

konnte. In diesem Zusammenhang sei insbesondere dem Projektleiter Bertrand

Château gedankt.

• Herrn Martin Bartelt und Herrn Tobias Eder, meinen Bürokollegen am IPP, für

die guten fachlichen Gespräche.

• Zu guter Letzt gilt mein Dank meiner Frau Kathleen Braun, da sie sich entschloss

die Küste Pommerns zu verlassen und mit mir nach Bayern zu ziehen, um mich

bei diesem Projekt zu begleiten.

191

192

193

194

Documents

Modellierung der Energienachfrage unter Berücksichtigung ...opus.bibliothek.uni-augsburg.de/opus4/files/2263/Braun...Modellierung der Energienachfrage unter Berücksichtigung urbaner